航空器的核心部件——航空发动机，一旦出现故障，势必会对飞行过程的稳定性、安全性造成极大的威胁。航空发动机故障一般分为气路部件故障、附件故障和转子故障。据不完全统计，90%的发动机故障都是气路故障，而气路故障又是最难以判断的。因此对发动机气路部件进行故障诊断，对于航空发动机的及时预警和检修都有着重大意义。传统的故障诊断算法有基于线性化模型的故障方程的方法，该方法随着发动机规模的复杂程度不断提升，建模精度难以保证；而神经网络相关方法需要大量数据样本进行训练，且具有容易陷入局部最优等缺陷。而数据驱动的支持向量机方法，无需建立数学模型，无需大量故障数据进行训练，采用相关的数据特征提取方法对数据进行处理，便可对故障数据进行分类，完成故障诊断问题。基于数据驱动的方法在处理实际工程问题时，数据的来源都是传感器测量获得。一旦传感器自身出现故障，其测量数据就不可靠，势必会造成气路故障诊断的误判。故本文对传感器自身故障诊断进行研究分析。查阅相关文献后，决定从传感器故障信号的表现形式上着手，通过MATLAB仿真出其出现故障时，传感器输出信号的表现形式，并采用PCA主元分析法和小波包分解，提取传感器故障特征。已有文献采用小波分析或者神经网络的故障诊断方法，对于传感器的某些故障诊断效果较好，而传感器的某些故障则诊断效果不好。本文研究分析后，提出一种新兴的Multi-kernelSVM的方法应用于传感器故障诊断中，实验证明该方法能有效地提高传感器各种故障的诊断效果。并验证了支持向量机方法在实际应用中的推广性能，并给出了发动机气路部件故障和传感器自身故障的区分方案。本文以某型号双转子涡喷发动机为研究对象，利用已有文献中的气路部件故障数据，对其气路部件故障进行诊断。采用数据驱动的经典方法，如KNN、LDA和SVM方法分别应用于气路部件故障诊断中，实验发现其诊断效果均不理想。而Multi-kernelSVM方法在发动机气路部件故障诊断的应用上，需要处理多个传感器特征提、特征融合系数计算等问题，这个过程将会相当复杂，运算成本很高，故综合考虑不将该方法应用于发动机气路部件故障诊断中。继续分析研究后，采用一种新兴的Adaboost+SVM组合的方法应用于气路部件故障诊断中，实验表明该方法能够有效地提升故障诊断的准确率。并将其应用于气路部件双重故障诊断中。并通过在故障数据中加入扰动干扰证明了该方法也具有较好的抗干扰性能。