随着科学技术的飞速发展,大型复杂系统中控制逻辑的规模和复杂性日益提高,因此影响系统运行的因素也不断增加,系统发生故障和失效的可能性也相应增多。系统一旦发生故障将导致大量人力、物力和财力的损失,甚至造成巨大灾难,因此对系统的维护和维修就显得尤为重要。但目前传统的维修策略还大多停留在定期维修和事后维修阶段,均缺乏对系统运行状态的判断和健康状况的分析。视情维修(CBM)作为一种先进的维护理念越来越受到重视,CBM可以对系统早期运行状态进行监测和识别,跟踪系统的退化过程并对状态进行预测,进而达到对系统健康状况的管理。隐马尔可夫模型(HMM)作为一种模式识别技术在语音合成和人脸识别等领域得到广泛应用。作为HMM的扩展,隐半马尔可夫模型(HSMM),因其更强的建模能力和时间分析能力,更适合于系统退化状态识别和与时间有关的剩余寿命预测。针对目前HSMM用于故障预测中存在的类别标定和离散训练偏差大的问题,开展了基于谱聚类和连续隐半马尔可夫模型(CHSMM)的剩余寿命预测技术研究。针对系统监测数据缺少类别信息而难以建模的问题,建立了基于谱聚类和CHSMM的剩余寿命预测框架,并描述了非线性系统退化状态识别和剩余寿命预测的整体解决方案。针对非线性系统特征提取复杂度高的问题,提出同时特征提取和谱聚类方法框架。该方法在谱聚类建立的核空间中直接进行主元分析(PCA),相当于在特征空间进行了核主元分析(KPCA)。验证表明,这种方法可以大幅提高计算效率。针对HSMM的初始参数设置及离散训练丢失信息等问题,深入研究了HSMM算法的改进并演化成CHSMM。并在此基础上,提出了基于谱聚类状态划分的CHSMM剩余寿命预测方法。以C-MAPSS的飞机引擎仿真平台为对象设计实验方案,将采集到的时间序列数据作为样本,通过实验验证本文所研究的退化状态识别和剩余寿命预测方法。结果表明,本文方法可以较准确的定位系统退化状态,并预测出系统的剩余使用寿命,具有良好的可行性和有效性。