燃气轮机联合循环机组在长期运行后，性能会出现退化，需要及时进行维护。但由于机组退化程度不能直接测量，因此，该文基于改进的深度前向神经网络开发一种数据驱动的退化建模方法，将能够表达重型燃气轮机联合循环系统状态的关键测点数据融合为健康指数以表征联合循环机组的健康状态。通过这种方法分析联合循环机组及其部件性能变化的趋势。结果表明，机组的性能退化主要来自于其蒸汽系统的退化，这与电厂大修总结报告的描述相吻合，证明该方法的有效性。为满足维修的实际需要，采用基于时间序列的长短期记忆网络建立高精度的预测模型，预测部件及机组的健康指数的均方根误差均小于0.03，可以为联合循环机组维修决策提供一定依据。