运载火箭发射具有高风险性,近年来我国航天发射任务逐年增多,任务复杂度不断增大,为此需要提高运载火箭的综合性能以满足更多任务需求,而火箭系统的可靠性和安全性问题显得更加重要。为了更大程度上确保发射任务顺利完成,迫切需要具有智能故障诊断系统的运载火箭,对复杂环境和突发故障情况有更强的自主适应能力,走好迈向星辰大海的第一步。本文以运载火箭姿态控制系统为研究对象,将系统的故障诊断技术作为主要研究内容,基于长短期记忆（LSTM）深度神经网络分别设计了系统执行器和传感器的故障诊断方法,并基于英飞凌单片机开发了运载火箭姿控系统故障诊断仿真平台,进行故障诊断方法的有效性验证实验。论文主要的研究内容如下:针对火箭姿态控制系统中的执行器故障问题,设计了一种基于LSTM网络状态观测器的故障诊断方法。首先对助推级执行器故障情况下的火箭姿控系统进行了建模分析,介绍了两类常见故障。在此基础上,设计LSTM网络状态观测器,并对网络结构和超参数进行优化。而后,利用观测器对系统状态参数进行估计并生成残差。在残差分析与故障评估中引入了自适应阈值设定方法,有效解决无故障情况下因残差波动而引起故障误报或漏报的问题。针对火箭姿态控制系统的传感器故障问题,设计了一种基于LSTM网络分类器的故障诊断方法。首先对姿态传感器陀螺仪进行建模与故障分析。然后采用集合经验模态分解法将一维的传感器数据转化为多维的故障特征向量,有效解决信号干扰以及模态混叠的问题,实现故障特征提取。而后,设计LSTM网络故障分类器,并进行网络优化进而提高网络泛化能力。最后,结合LSTM网络和集合经验模态方法,实现传感器故障感知与分类,有效提高了故障分类精度。针对上述的两种故障诊断方法,设计并搭建运载火箭姿控系统故障诊断仿真平台。平台利用英飞凌芯片的多核并行处理优势,实现纵向移动平台与火箭模型姿态稳定的并行控制,演示运载火箭垂直上升段俯仰姿态角的稳定控制。通过平台进行仿真实验,验证本文提出的故障诊断方法的有效性以及实际应用性能。