作为飞机的核心部件,航空发动机的健康状态对飞机的经济效益、可用性和安全性有着至关重要的影响。高温高压的工作环境使得发动机性能退化成为常态,若没有及时维护甚至可能发生故障进而引起飞行事故。发动机剩余使用寿命（Remaining Useful Life,RUL）预测被认为是评估航空发动机健康状态和避免故障最有效的方法之一,具有重要的研究意义。本文主要研究数据驱动方法在航空发动机RUL预测中的应用,并在NASA公开的C-MAPSS数据集上进行验证,主要内容包括:（1）针对发动机退化数据集中的多源传感器数据,使用主成分分析（Principal Component Analysis,PCA）提取关键特征,筛除与性能退化无关的信息;使用变体的滑动平均方法对主成分数据进行滤波,降低噪声的影响;使用优化方法最小化训练集发动机失效状态与失效阈值之间的误差,构建起统一的发动机健康指标（Health Index,HI）用于后续RUL预测。（2）针对相似性方法直接使用相似发动机RUL而不考虑发动机之间退化差异的情况,使用回声状态网络（Echo State Network,ESN）预测发动机健康指标的退化轨迹来改进相似性方法,并通过退化轨迹与失效阈值之间的比较来获得对应的RUL。同时为了解决ESN参数的设置问题,引入遗传算法（Genetic Algorithm,GA）来优化参数,降低人为因素的影响。在C-MAPSS数据集上进行验证,通过评分函数（Scoring Function）和均方根误差（Root Mean Squared Error,RMSE）两种指标证明了方法具有较高的预测精度。（3）针对机器学习算法容易出现过拟合而导致算法在测试集上效果不佳的问题,采用自适应提升（Adaptive Boosting,Ada Boost）算法,对小波神经网络（Wavelet Neural Network,WNN）和支持向量回归（Support Vector Regression,SVR）模型的性能进行提升,从而获得Ada-WNN、Ada-SVR和两者融合的集成预测模型。在C-MAPSS数据集上的仿真结果表明,融合模型相对于单一模型精度更高。