高效的航空发动机故障诊断技术,可提前预警故障信息,提高飞机飞行的安全性,并且可以避免不必要的维护检测,降低飞机的维修成本。为此,本文针对航空发动机气路故障,开展基于深度卷积神经网络（DCNN）的故障诊断算法设计方法研究。首先,介绍了航空发动机故障诊断的研究意义,分析了航空发动机气路故障发生的原因,基于T-MATS工具箱的航空发动机部件级模型,生成气路故障数据并进行预处理,将数据划分为训练集与测试集,用于训练和测试故障诊断模型。进一步,分析了深度卷积神经网络原理和训练方法,采用8个航空发动机可测参数作为输入特征,选用9种典型气路故障以及健康状态作为模型输出,分别建立传统DCNN结构的故障诊断模型、基于U-Net结构的故障诊断模型以及基于Inception结构的故障诊断模型,并在Tensorflow平台上进行了模型的实现和训练。根据诊断精度与ROC曲线对三种模型的性能进行对比分析,结果表明基于Inception结构的故障诊断模型具有更优良的诊断性能。学习率、卷积层通道数等超参数的选择对DCNN故障诊断模型性能具有较大影响。为此,对正交试验法和贝叶斯优化算法两种超参数优化方法进行了研究。对比分析表明贝叶斯算法由于使用概率代理模型拟合真实目标函数,并根据采集函数选取最具“潜力”的超参数进行评估,可用较少的代价取得近似最优的超参数,具有更好的优化性能。最后,针对实际工程中故障数据较少导致的样本非均衡问题,为不同诊断错误建立代价矩阵,提出了DCNN故障诊断模型的代价敏感训练算法,仿真实验表明该算法可以有效减小样本非均衡对故障诊断模型性能的影响。