航空发动机故障诊断技术是发动机健康管理系统的核心组成部分，是降低发动机维修成本、保证飞行安全的重要手段。本文以某型涡扇发动机部件级模型为研究对象，针对涡扇发动机气路健康参数的滤波估计问题，研究了基于线性滤波和非线性滤波的气路健康参数估计方法，对航空发动机气路部件进行健康诊断。首先在发动机部件级模型的基础上建立了发动机状态变量模型，设计线性卡尔曼滤波器，构建了发动机慢车以上机载自适应实时模型，对发动机气路部件健康参数进行在线估计，建立了简化起动模型和加力过程模型，实现了发动机机载模型全状态仿真。考虑到线性卡尔曼滤波器用于发动机气路健康参数估计存在精度不够高、健康参数间耦合性强等不足，引入非线性滤波算法EKF和UKF用于气路健康参数的估计；针对发动机强非线性、实际噪声非高斯的特点，引入了粒子滤波方法，并将EKF更新粒子用于标准粒子滤波算法中，产生重要密度函数，一定程度上避免了粒子的退化，提高了滤波精度，实现了非高斯噪声下发动机气路部件健康参数的准确估计。在此基础上，进一步讨论了三种改进的粒子滤波算法。针对粒子滤波算法计算量大的问题，提出了粒子数自适应的粒子滤波算法，在保证滤波精度的基础上有效减小了算法的计算量；而强跟踪粒子滤波算法增强了滤波器对于突变状态的跟踪能力，提高了滤波器的稳定性和收敛性，可以保证在一个采样周期内实现突变参数的估计；基于神经网络的重要性权值调整粒子滤波算法通过权值分裂和粒子调整两步，可以有效的避免标准粒子滤波存在的粒子退化和重采样引起的粒子贫化现象，从而提高健康参数的估计精度。最后在快速原型平台上验证粒子滤波算法，在基于LabVIEW开发环境与CRIO嵌入式控制器的发动机气路故障诊断快速原型仿真验证平台上实现了自适应粒子滤波算法与强跟踪粒子滤波算法的硬件在回路的快速验证。