航空发动机的性能发展一直以来都是航空领域关注的重点问题,关于性能发展的研究对航空发动机监控的适时性和维修的经济性都有着极其重要的意义。本文以QAR数据和某航空公司发动机监控软件中的数据为基础,通过智能算法对航空发动机性能发展进行预测,以便提前预估发动机性能状态,从而提前为航空发动机的安全运行提供保障。航空发动机健康基线是获取性能参数偏差值的基准,本文首先对发动机基线进行了挖掘,在传统挖掘基线所用参数（N1、Mach、Alt和TAT等）的基础之上额外引入了滑油温度和引气参数,并通过light GBM算法进行基线的挖掘,使EGT、N2和FF基线模型的误差分别减少了49.7%、33.3%和55.3%。针对传统短期预测中未考虑数据时效性和鲜有对故障数据建立预测模型的问题,考虑了流式数据的时效性因素,提出了记忆减退型PSO支持向量机模型,对常态数据和故障数据分别进行了考虑数据时效性和未考虑数据时效性的短期预测,结果显示,在建立故障数据预测模型时考虑数据时效性能明显提升模型精度。针对长期趋势预测模型通常需要大量历史数据进行训练,但预测对象通常缺乏历史数据,无法得出高精度预测模型的问题,本文将拥有大量历史数据的源域模型得到的权重和偏置参数,采用迁移学习迁移到缺乏大量历史数据的目标域模型训练中,通过LSTM-迁移学习相结合的方式进行长期趋势预测,使EGTM预测误差在1上下波动,且误差波动较为稳定。