引气系统是民航客机的重要系统之一,该系统的健康状态直接关联舱内飞行环境。因引气系统部件较多,子系统间存在强耦合关系,难以构建精确数学模型,造成引气状态识别困难,进而导致故障隔离与健康状态预测困难。传统针对引气系统健康管理技术无法充分提取飞行数据特征,深度学习算法因其算法原理特性,具有强大的非线性映射能力,可提取多种数据特征,从而有效完成分类和预测任务。首先,从发动机引气系统基本原理与典型故障模式着手,构建了发动机引气监测参数体系,对发动机低压转子转速与引气管道压力值大小进行了分析,并明确了发动机引气阶段识别逻辑,为实验数据集构建提供了依据。然后,建立Wasserstein距离与梯度惩罚生成对抗网络（WGAN-GP）数据增强模型和卷积神经网络（CNN）引气状态分类模型。通过WGAN-GP扩充原始失衡数据集,使CNN学习更丰富的数据特征。同时,对比了WGAN-GP和经典GAN对多种分类模型性能增强效果,并从生成损失、空间分布和样本相似性度量多角度说明了WGAN-GP稳定性较高,所生成样本更接近原始样本。WGAN-GP生成的2号类样本同原始样本的欧氏距离均值比GAN低43.33%,方差比GAN低78.41%。最后,针对传统方法无法有效评估发动机引气系统健康状态并对其进行准确预测问题,提出基于多级特征提取和CNN-LSTM的健康状态预测方法。对原始QAR数据进行数据级特征提取,将不等长的原始QAR数据压缩为等长的特征向量,同时,引入频次约束使特征空间一致,引入显著性补偿,提高特征提取准确度;使用卷积自编码器（CAE）对特征向量做特征级特征提取,获得引气系统健康因子,从健康因子曲线方向性和漏警率等方面表明了CAE相比其他模型构建健康因子的优势;搭建了多任务CNN-LSTM模型,对5级引气压力健康因子和引气温度健康因子进行回归预测,并在验证集与测试集上与CNN和LSTM对比,证明CNN-LSTM模型具备更优的预测性能。在测试集上,CNN-LSTM的5级引气压力健康因子预测误差分别比LSTM和CNN低68.60%和13.33%,引气温度健康因子预测误差分别比LSTM和CNN低72.24%和4.88%。