航空发动机性能参数的监视与预测是制定发动机维修计划的基础。目前航空公司多采用单参数预测模型进行发动机性能参数的监视与预测，忽略了不同性能参数间的关联性，其预测精度已日渐难以满足航空公司的要求。为提高性能参数预测的精度，本文融合多种相关性能参数，开展基于信息融合的航空发动机状态预测技术及其应用研究。本文首先运用基于统计与密度的方法寻找航空发动机性能参数的异常点。在此基础上，针对传统小波阈值去噪产生的不平滑问题，提出一种经验模态分解与小波去噪相结合的降噪方法，将原始信号进行经验模态分解，通过比较各分量评价系数选择保留的分量并分别对其进行小波阈值去噪，最后将各分量去噪值进行叠加。通过构造模拟信号，验证此方法的有效性，并将其应用于发动机性能参数降噪。针对航空发动机性能参数时间序列非线性、不平稳的特点，分别运用互信息法与Cao方法求出参数的时间延迟与嵌入维数，在此基础上，根据最大Lyapunov判别法证明发动机性能参数时间序列具有混沌特性。运用混沌理论对时间序列进行相空间重构，通过两性能参数相空间之间映射点距离的变化，提出一种发动机各性能参数间相关关系的量化方法，为选择融合预测所需的参数提供依据。针对目前单参数预测存在的预测精度较低的问题，建立基于相空间重构的BP神经网络信息融合预测模型。运用相空间重构，增加预测所需的演变信息。选择相关关系较大的参数作为融合预测的输入，运用混沌预测理论构造输入输出样本，通过主成分分析方法降低输入维数并减少输入变量间的冗余信息，提高神经网络拟合的效率。针对隐含层神经元个数确定的问题，提出一种公式法与枚举相结合的方法。此外，本文通过遗传算法优化融合预测模型的权值与阈值，提高神经网络拟合的精度与稳定度。分别将长期与短期预测结果与单参数预测模型的预测结果进行比较，验证融合预测模型的有效性。基于上述理论研究成果，面向航空公司的需求，开发航空发动机性能参数融合预测软件系统，本系统可用于发动机性能参数预处理、相关性分析以及融合预测分析，可为航空公司维修方案的确定提供决策支持。