剩余使用寿命(Remaining Useful Life,RUL)预测是视情维修(Condition Based Maintenance,CBM)过程中核心问题之一,也是产品再制造过程中一个不可回避的关键问题。这一问题已经成为系统故障预测和健康管理(Prognostics and Health Management,PHM)领域的研究热点和挑战。根据剩余寿命预测结果分析,可以提高系统或设备可用性和可靠性,同时可以减少维修保障费用,降低失效事件发生的风险,降低或避免故障造成的重大损失,具有重要的研究和实用价值。首先,本文综述基于统计分析的剩余寿命预测的方法,主要分为回归模型的方法,马尔科夫(Markov)模型的方法,维纳过程的方法以及随机滤波的方法。文献中,针对维纳过程的方法对剩余寿命进行预测,提出了随机过程的线性退化模型和非线性退化模型,利用了贝叶斯估计和EM算法对模型的参数进行估计,得到了剩余寿命的概率密度函数。其次,在随机系数回归模型的基础上,为了获得更精准的剩余寿命的预测,建立了带测量误差的剩余寿命预测模型。本文运用了贝叶斯估计和EM算法相结合的方法对参数进行估计,得到了剩余寿命的概率密度函数。数值实验表明了测量误差对剩余寿命的影响,也说明了带测量误差的剩余寿命预测模型的有效性。最后,基于冲击载荷对设备的性能退化的影响,使得设备性能或者寿命加速达到阈值,建立了一个考虑冲击载荷和自然退化相结合的剩余寿命预测模型。估计模型参数运用了贝叶斯估计和EM算法相结合的方法,得到了剩余寿命的概率密度函数。实验说明了提出的模型更为符合实际情况,预测的结果也更加精确,也说明了该模型的可靠性与优越性。