航空发动机故障诊断的重要意义在于:一方面,它可以迅速而准确地确定故障部位及故障严重程度,有利于确保飞行安全以及减少投入维修的人力、物力,缩短飞行器的停飞时间,提高飞行器的利用率;另一方面,它又是实现先进的维修思想和维修方式的必要手段与前提条件。本文基于现代设备故障诊断技术,对航空发动机的3类转子故障(不平衡、碰摩和油膜涡动)进行了特征提取与选择,并运用结构自适应集成神经网络实现了这四类转子故障的智能诊断。第一,本文研究了故障特征的提取技术。针对旋转机械的振动信号,首先提取了传统的频谱特征,构建了由各个分频和倍频组成的特征向量;其次,利用小波分析技术,研究了基于多分辨率分析和连续小波分析理论的转子故障信号特征提取技术,提出了一种基于小波多尺度空间能量特征的自动提取方法,以及一种基于连续小波变换的尺度谱图像纹理特征提取技术。并用算例验证了方法的正确有效性。第二,针对提取出来的众多故障信号特征,研究了基于遗传算法的特征选择技术。由于适应度对遗传算法的影响很大,本文提出了4种适应度构造方法,即改进的距离判据适应度函数、平均值方差适应度函数、Fisher判别准则适应度函数以及基于最近邻分类法的适应度函数。最后,通过仿真实例对方法进行了验证,表明了本文提出的遗传算法特征选择技术的可行性。第三,利用ZT-3多功能转子实验台,获得了不同转速下的3类转子故障数据样本共95个,其中不平衡样本26个,碰摩样本29个,油膜涡动样本40个。首先运用传统的频谱特征提取方法,小波能量特征自动提取方法,以及连续小波尺度谱图像纹理特征提取方法,分别提取了17个频谱特征,10个小波能量特征和20个连续小波尺度谱图像纹理特征。其次,用所提出的基于遗传算法的特征选择方法对这些特征进行选择优化,去除与分类不相关的冗余特征。最后,构建结构自适应集成神经网络对优化后的特征进行智能诊断,结果充分证明了本文提出的特征提取方法和选择在转子故障诊断中的的合理性与有效性。