本文的研究内容主要包括发动机机载自适应模型建模技术和超机动飞行发动机高稳定性控制技术两方面。本文基于卡尔曼滤波方法和支持向量机的方法分别建立了航空发动机机载自适应实时模型。提出并设计了一种基于改进卡尔曼滤波器的机载自适应实时模型:即在常规卡尔曼滤波器基础上增广输出误差积分环节,并以此改进的卡尔曼滤波器为核构成自适应模型;考虑到在役发动机传感器较少和发动机健康参数相对较多的矛盾,设计了另外一种基于SVD分解的降维卡尔曼滤波器机载自适应模型,以解决基于少量传感器的发动机自适应建模问题。另外,本文借助人工智能技术,运用约简最小二乘支持向量机(RR-LSSVR),在包线中小范围内也提出并设计了一种发动机机载自适应模型。数字仿真结果表明了上述方法的有效性。针对超机动飞行时发动机的稳定工作问题,设计了发动机的高稳定性控制器,提出了发动机高稳定性控制方案:基于神经网络预测攻角,而后通过喘振裕度的超前补偿,与喘振裕度和高压转速闭环控制共同构成了发动机高稳定性控制规律。最后在飞/推综合模型平台上,模拟大攻角飞行任务进行了数字仿真验证。