由于系统运行环境影响、传感器灵敏度限制和记录过程误码等原因,控制系统实际运行过程中,传感器在采样过程中获取的测量数据不可避免地会出现少量明显偏离实际量值的异常数据（也称野值,Outliers）。由于异常数据的影响,多种基于最小二乘理论的最优辨识、滤波和预报算法,会因为异常数据不利影响而失去最优性,甚至严重失真。以人造卫星姿态控制系统的动量轮转速数据为例,它是通过系统组件中的传感器采集的,动量轮在空间运行过程中,由于设备温度逐渐增高或外界环境突变很容易使传感器获得的原始采样数据不准确,存在一些严重偏离由大部分数据样本点所呈现趋势的异常采样数据。异常数据的存在和不利影响,会严重干扰卫星姿态控制。因此,分析含野值的动量轮转速数据和建立对野值有容错能力的算法,对包括卫星姿态确定、预报和分析在内的工程控制等广泛问题,具有重要意义。本文分别从经典递推极大似然算法、经典Kalman滤波算法、经典自回归（AR）模型入手,分析outliers对系数辨识、滤波估计和预报结果的影响,发现在动量轮转速数据出现outliers时,模型辨识精度降低、滤波效果会出现明显偏差、预报结果不理想。为此采用容错数据处理思想,改进经典算法的容错能力,构建并实现了一系列对outliers具有容错能力的容错辨识、容错滤波、容错预报算法。自主研制上述算法的计算软件,利用含Outliers的动量轮转速实测数据对容错算法进行了验证。计算结果显示,对含有异常数据的动量轮转速数据,本文建立的容错算法不仅辨识和滤波效果比较理想,而且能够对未来一个周期的动量轮转速数据进行准确预报。本文研究工作在递推极大似然参数辨识和自回归模型预报算法的容错改进等方面有创新;建立的容错算法可对含有野值的测量数据直接进行容错辨识、容错滤波、容错预报,改进控制系统含杂质数据情况下建模、辨识、滤波和预报的质量;建立的算法和软件可以为带杂质数据的处理,提供比较实用的技术工具。本文研究工作得到国家自然科学基金面上项目（编号:61473222,91646108）的资助。