辅助动力装置（Auxiliary Power Unit,APU）是飞机上重要的功能子系统,为空调和发动机启动提供电源和气源,也有少量的APU可以为飞机提供附加推力,因此对表征APU性能变化趋势的关键性能参数进行预测研究具有重要意义,可以保证飞机安全运行和节约维修经济成本。首先,分析了应用于复杂的非线性系统的支持向量机（Support Vector Machine,SVM）和神经网络预测方法,研究APU性能参数数据预处理,包括对缺失值填充处理,利用箱形图分析的方法检测各性能参数的异常值,采用平均值修正法处理异常数据,运用min-max标准化方法归一化APU参数数据。同时采用JMP数据分析软件对其它参数进行相关性分析,选取与关键性能参数排气温度（Exhaust Gas Temperature,EGT）有强相关性的输入参数,为后续进行APU性能参数预测提供数据基础。其次,为提高APU关键性能参数预测的精度,针对SVM在实际使用中遇到的参数选择问题,引入变异操作,动态调整惯性权重和学习因子参数,采用自适应变异粒子群优化（Particle Swarm Optimization,PSO）算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型,并与多种模型进行实验分析,结果表明所提模型的精度和稳定性都优于对比模型。最后,针对传统机器学习的APU性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆（Long Short-Term Memory,LSTM）和Attention机制组合的APU性能参数预测方法。引入一维CNN得到不同属性的抽象特征,使用LSTM网络对这些特征进行记忆,并结合对特征状态赋予不同权重的Attention机制来实现参数预测。使用APU的多个参数数据预测未来不同步长的EGT,并与提出的自适应变异PSO-SVM模型进行对比分析。实验结果表明,CNN-LSTM-Attention预测模型对EGT不同步长预测能力优于自适应变异PSO-SVM预测模型,APU参数数据在使用深度学习方法进行预测的优越性,可为短期APU性能变化趋势预测提供一定的参考。