在卫星运行过程中,地面接收到下传的遥测数据,并基于此数据进行卫星运行管理和状态监测。遥测数据是反映卫星健康状态的重要依据,在卫星故障早期检测到遥测数据的潜在异常对卫星的安全维护具有重大意义。卫星异常检测的对象是大量的遥测参数,遥测参数具有多维性、相关性、非线性性等特点,针对卫星遥测数据的特性和卫星故障类型,将目前已有的算法进行改进,应用到卫星异常检测领域。首先,描述了卫星遥测参数的特性以及卫星故障特性,并总结归纳了卫星异常检测的主要方法体系,以及各种方法的优劣。在此基础上,分析了现有的多变量数据分析处理方法,即变量筛选和降维,并总结了各种方法的优点和不足,为卫星异常检测方法奠定了理论基础。其次,采用了一种基于相关概率模型的PCA异常检测方法,根据卫星的工作周期对数据进行划分,以工作单元的形式研究遥测参数间的相关关系变化,比检测单点异常更具信服力,并使用PCA方法对多元概率模型降维,而且,通过检验2统计量的方法对数据是否异常进行判决,避免了阈值设置的困扰,另外,在检测出异常数据之后,还可以通过计算重构误差贡献比例来确定发生异常的遥测参数。通过仿真验证了该方法能够在故障早期检测出异常,并对实验结果进行了对比和分析,而且,这种方法可以快速地帮助运管人员对早期故障做出诊断,以便地面及时处理,避免发生更大的事故。最后,针对高维卫星遥测数据使用传统的GPR模型导致预测性能下降、而且训练模型过拟合导致虚警率高等问题,设计了一种基于DC-GPR模型的卫星异常检测方法。通过融合距离相关系数来选择预测变量,提高模型的可解释性;估计模型的泛化误差并设置更合理的预测范围提高模型的泛化能力,降低虚警率,而且预测误差可以直观地反应预测结果并显示出数据的异常程度。对实际在轨卫星数据进行仿真实验,并与其他方法进行对比,验证了这种方法可以在卫星故障早期检测到数据异常,而且使得预测模型更具优越性,并降低虚警率。