大型复杂系统一旦发生灾难性故障将会造成巨大的经济损失和人员伤亡,相对于计划维修而言,视情维修既能减少不必要的停机停产损失,又能更好地保证系统的安全性。早期故障诊断和剩余寿命预测是视情维修的基础。本文以提升工业安全以及节省大量维修开支为应用背景,以缓变微小故障早期诊断为基础,利用先进的特征抽取理论和预测技术,开展剩余寿命(Residual Useful Life,RUL)预测研究,为工程维护人员制定维修策略提供决策依据。全文以数据驱动的故障特征抽取技术为主线,利用小波滤波(Wavelet Filtering,WF)技术、主元分析(Principal Component Analysis,PCA)、指定元分析(Designated Component Analysis,DCA)、深度学习(Deep Learning,DL)等理论知识,根据可利用的故障数据量、故障征兆知识、观测数据的统计分布和观测数据是否呈非线性等先验信息,分别开展基于统计特征非线性拟合的系统级RUL预测和元部件RUL预测研究、基于深度特征的早期故障诊断和RUL预测研究。论文的主要创新点如下:(1)高斯观测数据情况下,将小波滤波技术与主元分析相结合实现早期微小故障特征抽取,根据所定义的故障演变标尺建立基于指数型非线性拟合方法的实时RUL预测模型,实现系统级的RUL预测。故障征兆知识可用情况下,利用指定元分析提取关键部件的故障特征,开展关键部件实时RUL预测研究。(2)观测数据非线性、观测数据统计分布未知、故障征兆知识未知情况下,利用深度学习抽取观测数据中潜在的微小故障特征,达到缓变微小故障早期诊断的目的。并基于机器学习的方法建立深度神经网络(Deep Neural Network,DNN)所抽取的高维故障特征和实际RUL之间的直接映射关系,开展基于深度故障特征抽取结果的RUL预测方法研究。