机载空调系统不仅为乘客提供舒适的乘机体验,也实时保障着飞机客舱压力、电子设备的工作环境等。该系统结构复杂,子系统数据交联紧密,导致长久以来航空公司难以准确的完成空调系统的故障隔离和处置。随着民用航空器的发展,快速存储记录器（Quick Access Recorder,QAR）数据的获取越来越便捷,国内许多航空公司开始使用QAR数据对飞机故障进行辅助分析。基于此,本文以A320飞机空调系统QAR数据为媒介,对飞机空调系统的故障分析和预测方法进行了相关研究:1)本文基于QAR数据对A320飞机空调系统进行BP神经网络建模,由于BP网络收敛速度较慢,且容易陷入局部极值问题,使用遗传算法对BP神经网络的连接权值和阈值进行优化,以此实现对飞机空调系统BP网络结构的优化;2)使用SVM模型对飞机空调系统进行预测分析,为寻找SVM算法中最优的惩罚因子和核函数参数,本文分别使用网格搜索法和粒子群搜索算法进行全局参数寻优,从而实现对飞机空调系统SVM模型的优化;3)使用ELM模型对A320飞机空调系统进行建模,由于ELM模型在学习过程中,输入权重值和神经元的偏置随机产生,在模型建立中容易产生局部收敛的问题,从而导致预测准确度较低,本文采用寻优能力突出、收敛速度快的麻雀搜索算法对原始ELM模型进行优化和改进。由实验对比可知,使用优化算法后的模型对A320飞机空调状态的预测准确度有所提升。使用多元数据融合方法完成对前序优化算法的融合,实验结果表明该融合算法可进一步提高了预测准确度。最后,基于上述融合算法设计出一套A320飞机空调状态监控系统,该系统可辅助工程师进行空调故障隔离和状态监控。