民用航空发动机作为飞机的核心动力系统,其健康程度直接影响飞行安全。发动机厂家普遍采用先进的状态监控系统,及时监测到发动机异常的性能趋势,从而避免出现重大故障,消除飞行安全隐患。状态监控的主要方法是对比状态参数的测量值与基线值,根据两者偏差量的变化趋势判断发动机的性能优劣。基线模型是其方法的核心技术,国内研究人员目前还没有掌握准确的基线模型建立方法。因此本论文以民航主力型号CFM56-7B发动机为例,对发动机参数的基线模型展开研究,主要包括以下三个方面：1)状态参数数据预处理。通过发动机状态监控系统获得的原始数据由于传感器故障等因素而存在一些误差,并且针对航空发动机数据的特点,提出选用拉依达法则对数据进行异常点识别和粗大误差剔除,实现了数据的预处理。2)风扇转速换算模型的建立。风扇换算转速是发动机参数基线模型的一个关键变量,但是目前对其的研究算法都是理想模型,并不符合实际工程情况,获得的基线模型精度较差,因此提出了基于相似理论的变指数风扇换算模型。首先利用数学拟合方法挖掘指数因子的影响因素；然后分别利用支持向量机和数学迭代法对指数因子和影响因素的函数关系进行回归求解,从而准确得到变指数风扇换算模型。结果表明改进后的变指数因子模型计算的发动机风扇换算转速更接近厂家的真实值,具有更高的精度,为建立发动机关键参数的自主基线模型提供一种更精确的方法。3)状态参数基线建模和预测。为进一步提高后续模型的预测精度,首先利用遗传算法对支持向量机的三个参数(核参数,惩罚因子,损失因子)和BP神经网络的初始权值阈值优化；然后运用优化后的支持向量机方法和改进的BP神经网络方法分别求解CFM56-7B发动机的状态参数(排气温度,燃油流量,高压转子转速)的基线模型；将建立的自主模型预测测试数据,与真实基线值比较,结果表明两种方法求解的结果都与真实值很接近,模型精度都能达到要求,泛化能力较强；同时求解的参数偏差值趋势能够准确反映实际偏差值趋势,在航空发动机性能监控过程中具有非常高的实际应用价值。