Los métodos tradicionales son incapaces de evaluar de manera efectiva el estado de salud de los sistemas de aire de sangrado del motor. Para abordar esta limitación, este documento propone una metodología para construir indicadores de salud utilizando extracción de características a múltiples niveles. Primero, este enfoque implica la extracción de características a nivel de datos a partir de los datos del Grabador de Acceso Rápido (QAR) y emplea un método de compensación de significancia para procesar los datos del QAR. En segundo lugar, a través del aprendizaje no supervisado, se utiliza el Autoencoder Profundo ResNet (RDAE) para realizar la extracción de características a nivel de características a partir de los datos procesados. Esto puede resolver el problema de la falta de datos anotados y obtener los indicadores de salud del sistema de aire de sangrado del motor. En tercer lugar, el método se experimentó con un año de datos del QAR de una compañía aérea específica. Los resultados demuestran que el enfoque RDAE logra el mejor rendimiento en la construcción de indicadores de salud para el sistema. Logra una tasa de error de 0.0523 para la presión del conducto del sangrado de la 5ª etapa, reduciendo la tasa de error en 0.2810 en comparación con el Análisis de Componentes Principales del Núcleo (KPCA). También logra una tasa de error de 0 para la temperatura de salida del precalentador, reduciendo la tasa de error en 0.0035 en comparación con el Autoencoder Profundo (DAE). Los resultados indican que el método propuesto proporciona una evaluación más efectiva del estado de salud del sistema de aire de sangrado del motor.