涡轴发动机是直升飞机的动力来源，确保发动机稳定安全的运行对飞机的各项飞行作业都有着重要的意义。由于长期工作在复杂的环境下，发动机发生故障在所难免。随着发动机设计水平的提高，故障数据的获取难度也越来越大，因此基于单分类算法的涡轴发动机故障检测研究也越来越迫切。基于上述的分析，本文通过对几种常用于发动机故障检测的机器学习算法进行改进提出了多个新的算法，并将提出的算法用于设计涡轴发动机故障检测分类器，取得了比较好的结果。本文的主要研究内容总结如下：
　　首先，为了提高基于一类极限学习机的故障检测准确率，提出了软一类极限学习机，该算法通过对每个训练样本分配一个合适的间隔来克服一类极限学习机的硬间隔缺陷，使其优化目标和决策函数保持一致。使用软一类极限学习机对涡轴发动机进行故障检测，实验结果表明该算法不仅检测准确率高，而且鲁棒性好。在本文中，这种算法被命名为 SOC-ELM。
　　然后，一类支持向量机在对涡轴发动机进行故障检测时，只需要较少的测试时间，但是其检测精度不太理想。加权一类支持向量机是其常见的一种改进形式。针对现存的一种基于邻域分布的加权一类支持向量机的加权策略存在一定缺陷的问题，提出了基于距离和基于密度的加权策略，该权重计算方式能够较好地解决前者存在的问题。实验结果表明提出的算法不仅维持了测试时间少的优点，还提高了故障检测准确率。在本文中，这种算法被命名为WOC-SVM-DD。
　　最后，为了能降低算法的超参数优化时间，提出一种改进的粒子群优化算法。该算法的惯性权重采用半个周期正弦波的平方的形式来更新，能够保证粒子在陷入局部最优时依然有较大的惯性权重来跳出局部最优。同时在相邻两次迭代过程中种群多样性没有显著变化时，扩大位置更新的搜索范围，来增大下一次迭代的粒子群种群多样性。在本文中，这种算法被命名为SFPSO。实验结果表明与传统的使用交叉验证法来优化参数相比，使用SFPSO来优化SOC-ELM和WOC-SVM-DD的超参数不仅所耗时间更短，寻优到的参数也更准确，进一步提高了这两个算法的故障检测准确率。使用SFPSO来优化参数的单分类算法更适用于涡轴发动机故障检测。