航空发动机故障诊断与性能预测技术是健康管理系统(PHM)的重要组成部分,是保证飞行安全、降低维护成本的重要手段。本文以涡扇发动机为主要研究对象,研究了基于极限学习机和深度学习算法的航空发动机气路故障诊断以及性能预测方法,主要工作内容如下:为提高极限学习机(ELM)计算结果稳定性,采用基于受限玻尔兹曼机(RBM)的ELM参数初始化方法,设计了改进的ELM学习算法(RB-ELM)。该方法通过RB初始化过程来优化ELM初始参数,降低了ELM网络中存在的参数随机性以及由此造成的学习性能不稳定。将RB-ELM算法应用到航空发动机气路故障诊断中,并验证了在飞行包线内典型工况下具有较好分类精度。进一步研究了在线序列极限学习机(OS-ELM)算法,发展了在线学习稳定性提高策略。基于OS-ELM的集成学习策略(EOS-ELM),研究了一种基于线性卡尔曼滤波的自适应集成学习机KEOS-ELM,该算法对每个集成的OS-ELM网络的学习误差进行评价,通过滤波算法调整权重。将KEOS-ELM算法应用于航空发动机传感器解析余度,改进了传感器漂移故障的判别方法并进行了数字仿真验证。将线性卡尔曼滤波算法用于OS-ELM网络权重的迭代更新,提出了一种OS-ELM的线性卡尔曼滤波训练方法(KFOS-ELM),相比于传统递推最小二乘求解训练方法,提高了OS-ELM学习过程的稳定性,并将KFOS-ELM算法与逻辑回归模型(Logisic-Regression)综合,研究了一种航空发动机性能衰退预测方法,KFOS-ELM作为参数预测器,以逻辑回归模型作为退化状态评价模型,实现了发动机失效时间的短期预测。最后,研究了基于深度学习算法长短期记忆网络(LSTM)和自回归积分滑动模型(ARIMA)的发动机剩余使用寿命预测方法。该方法基于发动机历史退化数据建立健康指标模型库,通过ARIMA模型得到的预测参数解算健康指标,得到其剩余使用寿命以及拟合的概率分布结果,实现了发动机剩余使用寿命预测。