航空发动机为飞行器的飞行提供动力如同飞行器的“心脏”。航空发动机构造十分复杂而且多在高温下工作，高负载条件下，极易导致磨损故障的发生，这种情况会危机发动机的安全性与可靠性，所以对发动机进行磨损状态监测是特别重要的，如果能发现磨损故障的隐患并且将其消除在早期萌芽阶段，这样能够确保飞机发动机工作的安全性、稳定性和可靠性，对维护工作具有极其重要的意义。润滑油不仅可以减缓部件间的磨损，冷却零部件，同时还会将机械转动产生的热量和摩擦产生的金属磨粒带走。这些残留在滑油中的金属颗粒数据可以反映出航空发动机磨损状态的重要信息。本文首先建立不考虑非等时补油情况的单变量支持向量机网络与考虑非等时补油情况的多变量GRNN网络，利用两种网络模型分别对Fe元素浓度的变化趋势进行预测，通过比较得出结论：考虑非等时补油情况所建立的网络能够更好的拟合出Fe元素的变化趋势进而判断航空发动机的磨损情况。在考虑非等时补油的情况下对滑油光谱检测数据建立SVR模型对Fe元素浓度的变化进行拟合，通过使用交叉验证（K-CV）的方法对SVR网络中的惩罚因子c与核函数参数g的具体取值进行优化、选择最佳参数。最后利用建立好的交叉验证优化的SVR网络模型对滑油中的Fe元素浓度的变化趋势进行预测，并且获得了比较好的预测效果。最后采取灰色关联度分析的方法，对采集得到的某型航空发动机不同飞行小时下的各种金属元素的浓度数据进行分析与处理。从各元素间的横向关系来进行分析，飞行时间相差400小时而各元素与Fe元素的灰色关联度值不同程度的下降，灰色关联度值的下降表明航空发动机各部件的磨损剧烈。判断结果与航空发动机的实际工作状态一致，这种方法不但成本较低而且受人为因素的影响比较小。