作为飞机最重要的部件之一,航空发动机一旦发生故障,将直接影响飞行安全,造成经济损失甚至危及人员生命安全。然而,航空发动机又多处于高温、高压、高负荷等恶劣工况条件下长时间运行,因此,针对航空发动机故障预测与健康管理进行研究,对于保障发动机运行安全可靠,降低维修成本具有重要的意义。本文采用数据驱动的方法,以状态监测参数为基础,针对航空发动机性能衰退研究中的健康指标（HI）构建与剩余使用寿命（RUL）预测问题展开研究,主要内容如下:（1）针对航空发动机健康监测数据繁杂、对发动机性能退化状态表征能力各异等问题,采用灰关联分析法构建航空发动机HI。通过参数筛选与加权融合,使得与发动机退化趋势具有较高相关性的监测参数得以加强,反之则被弱化。实验验证了该方法所得HI对发动机退化趋势的良好表征能力。（2）针对航空发动机健康监测数据噪声含量高、退化趋势不明显等问题,采用基于堆叠降噪自编码器的核典型相关分析（SDAE-KCCA）算法实现航空发动机HI的构建。通过SDAE网络攫取与发动机退化状态相关的深层特征,进而采用KCCA算法对深层特征进行降维,获得最能表征发动机退化趋势的HI。通过实验对比,验证了该方法所构建HI的有效性。（3）针对航空发动机系统结构复杂、不确定性较强,历史监测数据少等问题,采用全阶时间幂灰色模型预测发动机RUL。该模型通过灰色理论克服了缺乏历史性能衰退数据的问题,能够根据输入数据自适应地更新性能退化轨迹,提高预测效果。考虑到不同发动机失效阈值的差异性,采用滑动窗欧式距离比对法确定HI失效阈值。在RUL预测实验中,该方法表现出良好的预测效果。（4）针对航空发动机系统非线性较强,能够表征其退化趋势的有效信息贫乏等问题,将径向基与多项式核函数混合,引入核岭回归（KRR）模型,并通过灰狼优化算法对其寻优后建立RUL预测模型。该模型具有较强的非线性拟合能力与泛化性能,能够得到较为准确的拟合效果。此外,采用基于KL距离的寿命调节函数来综合确定测试发动机的失效阈值,从而降低RUL预测误差。通过实验对比,验证了该方法具有较高的预测精度。（5）针对不同航空发动机退化模式各异,获取监测参数成本高,历史状态参数样本小,退化趋势学习困难等问题,采用结合数据迁移与神经网络的方法实现航空发动机RUL预测。首先与基于联合适配分布的数据迁移算法进行对比,选择基于动态时间规整的数据迁移方法提高不同发动机HI的相似度,完成训练样本集的扩充;其次,建立结合自注意力机制的双向门控递归单元（Bi GRU-SA）模型充分学习发动机退化趋势信息;最后,针对多工况、不同时间序列长度的数据进行实验,验证了该方法相对于长短期记忆（LSTM）与时间卷积网络（TCN）模型具有较高的预测精度与较好的预测效果。