Mejorar la precisión de las predicciones de los rendimientos de la línea de producción de motores aeroespaciales es de gran importancia para aumentar la eficiencia de producción y optimizar la programación de la producción en las empresas. Para abordar esto, se ha propuesto un nuevo método llamado Redes Neuronales Convolucionales - Regresión de Soporte Mejorada (CNN-ISVR) para predecir el rendimiento de la línea de producción de motores aeroespaciales. El método primero divide los factores que influyen en el rendimiento de la línea de producción en el ciclo de producción y la información de estado en tiempo real de la línea de producción y luego analiza los factores clave. Para resolver el problema del bajo rendimiento predictivo en los modelos SVR tradicionales debido a la selección subjetiva de los parámetros de la función de núcleo, se presenta un modelo SVR mejorado. Este enfoque combina el algoritmo genético de estrategia de élite con el método de optimización de hiperparámetros basado en búsqueda en cuadrícula y validación cruzada para obtener el mejor factor de penalización y el ancho de la función de núcleo de la Función de Base Radial (RBF). Las características extraídas de los datos de producción se utilizan luego para la predicción al introducirlas en el modelo de regresión de soporte mejorado, basado en una CNN superficial sin reducción de dimensionalidad. Finalmente, la precisión de la predicción del modelo CNN-ISVR se evalúa utilizando las tres métricas de evaluación comúnmente utilizadas: Error Porcentual Absoluto Medio (MAPE), Error Cuadrático Medio (RMSE) y coeficiente de determinación (R). Los resultados de la predicción del modelo se comparan luego con los de otros modelos. Se demuestra que el modelo híbrido CNN-ISVR supera a otros modelos en términos de precisión de predicción y capacidad de generalización, lo que demuestra la efectividad del modelo propuesto.