为解决材料汽蚀损伤后剩余使用寿命预测困难的科学问题，提出了一种融合卷积神经网络技术的寿命预测方法，具体采用残差网络(ResNet)模型，并嵌入坐标注意力机制(CA),通过对模型进行卷积、通道数及下采样方式的优化，构建改进的坐标残差网络(CA-ResNet)模型，以实现对17-4PH材料汽蚀损伤后剩余使用寿命的精确预测。基于超声波汽蚀试验得到的汽蚀特性曲线，通过逻辑回归(Logistic)方程对汽蚀阶段进行定量划分，并定义寿命系数ζ,同时借助超景深显微镜获取材料损伤后不同时刻的显微图像数据库，并与寿命系数ζ相对应。研究结果表明，改进的CA-ResNet网络模型在CIFAR10公开数据集上验证准确率可达92.2%,在收集的17-4PH材料的汽蚀损伤数据集上的验证准确率可达93.2%,相比ResNet18网络模型，准确率分别提高了1.5%和3.5%。通过学习率、批处理量等超参数优化后，该模型在汽蚀损伤数据集上准确率可达95.0%。采用端到端的数据驱动思想，可实现从汽蚀损伤形貌到汽蚀寿命的精确预测。