航空发动机、风电系统和武器装备等机械设备具有结构复杂、功能集成、寿命长和不易维修等特点,开展此类设备的系统可靠性评估和剩余寿命预测工作能及时找出系统工作能力的薄弱环节和制定科学合理的维修策略。机械系统在运行时会发生性能退化,零部件的失效状态不再是单一的正常-故障二态性,特别是在复杂工况下更是呈现出多种复杂特性,如:多状态性、动态性和不确定性等,同时,系统还会受到外界运行环境带来的冲击失效,且和系统自身性能退化失效存在相互竞争的关系。系统在退化过程中会产生大量能够表征退化特征的数据,可以利用性能退化数据建立剩余寿命预测模型。因此,本文从机械系统运行中的性能退化过程入手,对衡量系统工作能力的可靠性和剩余寿命预测指标进行讨论研究。（1）考虑机械系统运行中存在多故障状态和难以获得部件精确故障率的问题,建立了结合T-S故障树和区间值模糊贝叶斯网络的多故障状态系统可靠性评估模型。通过研究对象的部件失效模型构建T-S故障树,将其映射为贝叶斯网络模型,再引入模糊集合和区间理论,对故障率模糊子集边界值进行模糊化处理,构建区间三角模糊多态贝叶斯网络模型,不仅能表达系统多故障状态特性,而且能处理不确定关键因素。在仅知根节点故障状态条件下,得到系统可靠性指标求解过程。（2）针对性能退化过程存在外界冲击对自身退化影响的问题,假设外界冲击类型为极值冲击模型,结合极值冲击的分布函数,研究外界冲击幅值超过临界阈值后会加快系统自身的退化速率和改变失效阈值的问题,建立了基于两种失效相关性的可靠度的一般表达式。结合具体实例,对所建立模型的合理性进行验证。（3）为了解决性能退化过程中多监测信息特征难提取的问题,提出了基于特征工程思想的机械系统的特征信息提取与处理方法。首先,选择多监测传感器中信息量丰富并且能够反映系统性能退化趋势,能表征设备退化特征的数据集或者是传感器。其次,对数据集进行归一化等处理。最后,采用核主成分法对高维退化特征集进行降维和融合,得到能够表征设备退化的低维相对特征集。（4）通过对多监测信息融合处理,提出深度学习模型的寿命预测方法来提高模型对复杂系统的预测精度。首先,建立融合核主成分法的双向长短时神经网络模型,将低维特征集输入到模型中,利用网络模型处理长时间序列的优势和双向传播的特点,得到状态监测数据与剩余寿命的映射关系,得到预测结果。最后通过航空发动机进行结果验证并与其他模型对比。