航空发动机作为飞行器的心脏，为飞行器的飞行提供动力。由于航空发动机的零部件长期工作于高温、高负荷的条件下，容易发生磨损故障，严重影响发动机的安全工作，因此对航空发动机零部件的磨损进行监测是十分必要的，将故障隐患消除在早期萌芽状态，对于保证发动机安全可靠工作具有重要意义。润滑油作为发动机的润滑工质，携带着发动机磨损的重要信息。本文首先对润滑油光谱检测时间序列样本进行分析，引入混沌理论的C-C方法对数据样本进行相空间的重构，从而确定磨损趋势预测模型的时间延时与嵌入维数。根据光谱检测数据的特点，选取支持向量机和神经网络方法对数据样本进行建模预测，通过仿真结果对比，确定采用RBF网络方法作为预测模型的建模方法。对RBF网络学习算法进行分析，针对预测模型的影响参数，对粒子群优化算法进行改进并应用于模型的优化，建立了结构最优化的RBF网络预测模型，对发动机磨损趋势进行外推预测。实例仿真结果表明，相比SVM预测模型、BP网络预测模型及传统RBF网络预测模型，本文方法建立的RBF网络预测模型具有更高的预测精度，预测结果与发动机实际监测数据相一致。最后，依据摩擦学理论，对磨损模式与磨粒特征进行了分析，介绍了磨粒特征参数体系。对铁谱磨粒样本建立识别模型进行识别，通过实例仿真选取最优建模方法，并采用改进的粒子群算法对模型进行优化，建立了参数自适应SVM磨损模式识别模型。通过对磨粒样本进行仿真实验，识别正确率达到98%，并与BP神经网络方法进行对比，结果表明了该方法的有效性及优越性。