预测与健康管理技术（Prognostics and Health Management,P HM）为航空发动机合理的视情维修提供了支撑。随着人工智能技术的发展,关于智能算法航空发动机的故障诊断与性能预测领域的研究也越来越成熟,而目前的核心算法依然存在较大的研究不足:（1）难以处理在状态监测数据中所含有的大量噪声数据与异常值;（2）算法的性能与训练时间往往存在一定的取舍;（3）对于深度学习在航空发动机的应用的研究较多,而浅层学习的研究略显匮乏。在这种背景下,本文主要研究浅层学习算法在航空发动机的故障诊断与性能预测领域的应用,通过对损失函数的改进为PHM系统提供浅层学习备选算法,本文主要完成了以下工作:（1）为了克服基于最小二乘损失函数的ELM（Extreme Learning Machine）在分类问题上的鲁棒性差与泛化性不足的问题,引入平方弹球损失函数（Square Pinball Loss）来改进ELM的鲁棒性得到了SPELM（Square Pinball Extreme Learning Machine）。在SPELM的基础上,进一步引入一种软阈值的确定方式,改进了SPELM的泛化性,得到了可以用于航空发动机气路故障诊断的SSPELM（Soft Square Pinball Extreme Learning Machine）。（2）PELM（Pinball Extreme Learning Machine）与SPELM作为迭代学习,PELM在训练迭代上耗费较多,虽然PELM的泛化性优于SPELM,但在训练上耗费的迭代次数与时间限制了这一算法在大部分实际工程中的应用。为了克服SPELM与PELM在性能与训练时间上的不平衡,本文提出一种混合损失函数（Mixed Loss）,基于这一混合损失函数获得了在训练迭代时间与泛化性间有较好平衡的MLELM（Mixed Loss Extreme Learning Machine）模型。（3）基于MLELM的航空发动机RUL（Remain Useful Life）预测是直接基于状态预测,仅考虑了航空发动机的当前状态,但航空发动机的RUL预测是一个时效积累过程,需要考虑后续状态的影响,基于时间序列的航空发动机RUL预测方法是一个考虑了性能长期变化的方法。为了克服ELM、MLELM、PELM等算法在时间序列预测问题上表现出的不足,引入C损失函数（Correntropy Induced Loss）获得CELM（Correntropy Induced Loss Extreme Learning Machine）,并进一步改进C损失函数,提出可用于航空发动机剩余使用寿命预测的改进的C损失函数极限学习机ICELM（Improved Correntropy Induced Loss Extreme Learning Machine）。