变循环发动机是一类兼具涡扇发动机和涡喷发动机性能特点的新一代航空发动机,可在不同工况下实现涡喷和涡扇发动机的优点。由于变循环发动机的可调几何部件多,非线性情况复杂,对其气路部件的故障诊断研究成为目前变循环发动机研究工作的一项重点。发动机气路部件的故障诊断主要有基于模型和数据驱动的两类方法作为主要应用。由于变循环发动机机理的复杂性,构建其非线性模型是进行故障诊断研究的第一步。根据建立的模型,可以采用无迹卡尔曼滤波UKF方法估计表征气路部件故障程度的健康参数。此外,数据驱动类的方法也可以和基于模型的方法融合,增强诊断的实时性。本文首先构建了变循环发动机的非线性模型,并选取了合适的健康参数表征气路部件的故障程度。为了实现对不可直接测量的健康参数的估计,对可测参数进行敏感性、相关性和有效性的分析,确定了用于估计健康参数的可测参数。本文研究了UKF进行健康参数估计的方法,并根据UKF中存在的稳定性和计算量问题进行了改进。研究了引入平方根滤波和超球面采样策略的SSUKF方法,该方法减少了近一半计算量的同时改善了UKF的稳定性。针对UKF的实时性能问题,将SSUKF与双向长短时记忆网络Bi LSTM融合,提出了变循环发动机实时故障诊断的融合算法。实验结果表明融合算法提高实时性能的同时保证了故障诊断的精度。