航空发动机的安全和效益一直都是航空公司最为重视的。在日常飞行中,发动机的性能会不可避免地下降,下降的性能就会导致成本的急剧增加。最好的扩大效益的办法就是在发动机性能下降到一定程度时就进行性能恢复。为了找到准确的发动机性能下降的阈值点,通过如深度学习方法,多元线性回归等方法进行预测,各有优点,也各有不足。本文通过分析航空发动机最重要的性能参数值-发动机排气温度,通过不同的方法,给出了发动机排气温度裕度的预测模型,创新点包括以下部分:（1）针对于航空发动机排气温度的时间序列特性,运用自回归移动平均模型对发动机排气温度数据进行预测分析。由于数据的采集过程不可避免地会受到干扰,使得数据中会包含噪声,本文采用小波去噪方法。由于小波分析能够在时域和频率域中揭示信号中的信息,这种性质克服了傅立叶分析的基本缺点,提供了对非平稳过程特性的全面描述。进而使用自回归移动平均模型对数据的趋势进行拟合,最后对数据的发展趋势进行预测。（2）提出了一种新的航空发动机排气温度的预测方法,无迹粒子滤波方法。假定发动机排气温度的发展是非线性非高斯分布的,粒子滤波是针对此种情况下所提出的,它的基础是序贯重要性采样,利用采样粒子来近似系统状态。然而因为其没有考虑到最新的系统观测值,这就使得如果系统状态值短时间的变化很大时,会使得状态的估计效果变得很差,因此给出了无迹卡尔曼滤波方法来对每一次时间迭代的粒子的分布进行确定,以代替粒子在给定范围内的随机取值。结合粒子滤波方法,这样就能在状态变动剧烈的情况下,仍能获得很好的预测效果,具有较大的实践意义。在给定发动机排气温度阈值的条件下,通过粒子滤波算法提供预测结果的概率分布,用来预测非线性和非高斯系统的状态,进而知晓到达阈值的飞行循环数。