缺少先验知识和完备信息的设备健康评估一直是预测与健康管理(PHM)领域的难点问题.针对设备运行状态观测数据的无标签、不均衡、初值不确定性问题,提出一种多变量深度森林的设备健康评估方法.首先,提出一种基于相关性指标和趋势性指标的特征选择方法以去除冗余特征;然后,利用三维数据标准化和量子模糊聚类方法,动态设定设备健康状态并且解决数据初值的不确定问题;最后,采用一种多变量深度森林分类器实现设备健康状态的离线训练与在线评估.案例分析结果验证了所提出的健康评估方法的有效性和可行性.