为提高航空发动机剩余寿命（remaining useful life，简称RUL）预测能力，构建了一种注意力机制与长短期记忆网络（long short-term memory，简称LSTM）融合的深度学习模型。首先，分析多元高维的运行参数与RUL之间的协方差相关性，实现数据降维，优化模型权重；其次，利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差（root mean square error， 简称RMSE）范围为［4.83，13.66］，与卷积神经网络（convolution neural networks，简称CNN）、LSTM和双向长短期记忆网络（bi-directional long short-term memory，简称Bi-LSTM）方法相比，极大地提高了预测的准确度，实现了超前预测。合并样本的方法提高了模型的泛化性，对不同类型的发动机RUL预测具有指导意义。