伴随着航空技术的发展,航空发动机变得越来越精密,越来越复杂,精准的发动机剩余使用寿命预测（Remaining Useful Life,RUL）的难度变得越来越大。设备的剩余寿命预测作为故障预测与健康管理（Prognostics Health Management,PHM）重要的一环,具有极其重要的研究意义。本文设计了一种基于模型融合的方法,以NASA平台提供的C-MAPSS数据集作为基准,深入开展对于涡扇发动机RUL预测的研究。主要内容如下:（1）首先分析了C-MAPSS数据集的特点,结合退化数据建立了基于卷积神经网络（Convolutional Neural Network,CNN）和双向长短时记忆网络（Bidirectional Long Short-Term Memory,Bi LSTM）的涡扇发动机剩余寿命的融合模型。使用C-MAPSS数据集,经均方根误差和Score函数两个评价指标来检验模型的性能。通过实验,进一步优化了CNN-Bi LSTM的网络参数。（2）针对单一网络局限性的问题,设计了一种融合多种网络模型的方法来预测发动机的RUL。利用融合双通道特征的思想对RUL进行预测,选择两条不同的通道进行特征提取。通道一,原始数据经过CNN学习局部特征,然后输入到Bi-LSTM学习时间相关性,获取通道一提取的特征。通道二,在通道一的基础上,使用自注意力机制对Bi LSTM网络的输出进行特征加权。将双通道输出的特征经过融合,然后将融合后的特征输出到全连接层,进而预测涡扇发动机的RUL。最后,通过对比试验分析,融合的双通道特征提取模型精度高于单一的网络模型。