涡扇发动机是飞机的核心,涡扇发动机的健康状态分析对于航空器的评估、安全使用以及制定维护策略都至关重要,而剩余使用寿命（RUL）是衡量涡扇发动机的健康状况的关键指标,准确地预测剩余使用寿命既能够避免未及时维护带来的安全事故,也能减少过度维护产生的昂贵成本。涡扇发动机因测点较多,工况复杂,数据量大等特点使得其剩余使用寿命预测面临特征提取、预测精度低等极大挑战,如何提取有效特征并提高涡扇发动机的剩余使用寿命预测效果是当今寿命预测领域的热点与难点。基于上述背景,本文以涡扇发动机为研究对象,结合深度学习方法,针对原始数据集中的噪声干扰,传感器种类多、数据量大导致多维传感器特征提取复杂,无法有效描述数据或特征的退化趋势,传统数据驱动模型预测效果不佳等问题,对涡扇发动机进行剩余使用寿命预测研究,主要内容如下:1.研究了一种基于时空特征融合的涡扇发动机剩余使用寿命预测方法,该方法由一维全卷积层神经网络（1D-FCLNN）和长短期记忆网络（LSTM）结合对涡轮风扇发动机进行剩余使用寿命预测。将发动机数据集输入到整个模型中,一维全卷积层神经网络（1D-FCLNN）提取发动机数据集的空间特征,与此同时,利用长短期记忆网络（LSTM）提取数据集的时序特征,经过提取得到的二类特征融合后作为下一个一维卷积神经网络（1D-CNN）的输入,最终获得涡扇发动机的剩余使用寿命。在使用相同数据集的情况下与目前流行的剩余使用寿命预测模型进行比较,对比结果显示本文提出的融合时空特征的涡扇发动机剩余使用寿命预测模型在寿命预测精度方面有着较大的提升效果,最终的评价指标结果也说明该模型的有效性和优越性。2.以涡扇发动机数据集为研究对象,上述提出的基于时空特征融合的剩余使用寿命预测模型的特征是由一维全卷积层神经网络（1D-FCLNN）和长短期记忆网络（LSTM）分别自动提取,为了获得更为准确的特征,进一步提升预测效果,提出了一种由改进的堆叠式稀疏自编码器结构（im SSAE）和基于注意力机制的回声状态网络（Atten-ESN）相结合的剩余使用寿命预测模型。首先采用3sigma准则去除原始噪声并实现数据重构,利用改进的堆叠式稀疏自编码器提取发动机每个周期的特征并进行特征降维,其中在编码器中采用批标准化（Batch Normalization）层与Dropout层来解决梯度消失和过拟合问题,然后将提取的发动机特征构建成HI值,获得发动机退化趋势,最后在ESN网络中引入注意力机制,自适应处理不同类型的输入并得到剩余使用寿命预测值,在涡扇发动机数据集上的实验结果表明,与目前流行的剩余使用寿命预测模型相比,该模型在RUL预测中具有更高的预测精度且其HI指标结果和评价指标结果均优于其它预测模型。