航空发动机在工作的过程中主要气路部件会逐渐发生退化,为了缓解因此导致的发动机性能下降,发动机性能退化缓解控制技术随之出现。推力估计和内环转速控制是该项技术的两个关键环节。本文巧妙地结合循环神经网络的特性,对这两个环节进行了深入研究。传统的基于模型的发动机推力估计存在耗时和耗内存两大问题,于是完全基于传感器测量数据的推力估计技术开始兴起。然而实际传感器数据会不可避免地夹杂噪声和异常值,这会对基于数据的推力估计精度造成极其坏的影响。故首先本文在基于极限学习机算法的推力估计中引入了相关熵损失函数。实验表明基于相关熵损失的极限学习机算法在考虑噪声与异常值影响的推力估计中泛化性能最佳。发动机动态工作过程中的推力值与同等发动机状态下的稳态值不相等,这是因为动态推力值还与发动机过去时刻的状态相关。这就要求推力估计器具有记忆功能,而循环神经网络恰巧具有这种优势。所以紧接着本文引入了回声状态网络这一特殊的循环神经网络范式,并且与另外一种比较流行的循环神经网络——长短期记忆网络进行了发动机动态推力估计的对比实验。结果表明回声状态网络动态推力估计效果显著优于其它算法。循环神经网络不仅可以应用于推力估计这一类建模任务中,还可以应用于控制器设计。最后,本文引入了对角循环神经网络用于控制器设计,并通过涡扇发动机转速和涡轮落压比控制实验验证了该控制器良好的性能。