Los motores aéreos son los componentes centrales de una aeronave; por lo tanto, su estado determina la seguridad del vuelo. Actualmente, debido a su estructura compleja y a los problemas asociados con sus diversos parámetros de detección, predecir la vida útil restante (RUL) de los motores aéreos es muy importante para garantizar su seguridad y fiabilidad. En este artículo, proponemos un nuevo método híbrido basado en redes neuronales convolucionales (CNN), redes neuronales convolucionales temporales (TCN) y el mecanismo de atención de múltiples cabezas. En primer lugar, se establece un modelo CNN-TCN para características multidimensionales, en el que dos capas de la CNN extraen características de datos de entrada multidimensionales, y la TCN procesa las características temporales. Posteriormente, las salidas de múltiples CNN-TCN se ponderan utilizando el mecanismo de atención de múltiples cabezas, y los resultados se ensamblan. A continuación, comparamos el error cuadrático medio (RMSE) y las puntuaciones de varios métodos de predicción de RUL para mostrar la superioridad del método propuesto. Los resultados mostraron que, en comparación con los resultados de investigaciones anteriores, el RMSE y la puntuación de FD001 disminuyeron en un 10.87% y un 42.57%, respectivamente, mientras que los de FD003 disminuyeron en un 14.13% y un 58.15%, respectivamente.