卫星电源分系统为卫星提供持续可靠的能源,保证卫星的正常运行。电源分系统的工作状态直接影响到卫星其他分系统的状态,决定着卫星其他分系统的性能。因此,检测电源子系统的异常状态是卫星故障早期预警及卫星异常检测中最为关键的一部分。目前,卫星遥测历史数据库存在大量的未人工标签的数据,如何合理且有效地运用这些数据来建立准确的异常检测模型是研究的重点内容。本文从无监督学习,迁移学习和有监督学习三种不同有标签数据需求背景出发,分别提出了针对这三种数据背景的异常检测方法。（1）针对卫星电源遥测数据维度高,数据量大且难以数理建模等问题,提出了一种无监督的基于自编码器的异常提前警告方法。该方法利用自编码器重构数据的能力,并以重构误差得分作为评判卫星健康状态的标准。通过生成对抗网络来强化自编码器对遥测数据的学习能力,能够较好地处理高维卫星电源遥测数据。实验结果表明,该方法能较好地掌握卫星正常运行期间电源遥测数据的潜在特征,对卫星遥测数据的变化反应灵敏,能对即将发生的故障提前告警。（2）目前的大多数异常检测方法都忽视了数据的不平衡性,即正常和异常样本之间的比例严重失衡。同时,忽略了利用已有训练好的某卫星分系统异常检测模型,去解决缺乏人工标签数据的异常检测任务。针对上述问题,提出了一种基于深度迁移学习的异常检测方法。该方法使用一维卷积网络对异常样本进行检测,一维卷积池化层能够较好的学习到时序数据序列的特征。该序列特征通过卷积核提取,能够对于异常的数据变化有着较明显的识别,有效地解决异常检测任务中面临的数据非线性及非平稳性的情况。除此之外,该方法引入代价敏感策略,在每个训练批次内动态修改交叉熵损失函数,考虑了整体的样本不平衡和局部小批量训练上的不平衡。实验结果表明,该异常检测迁移学习方法,能够解决目标域缺乏人工标签数据的问题,并对样本不平衡的数据集具有较好的有效性和鲁棒性。（3）异常检测严重依赖模型的准确度,一个过度自信的决策可能低估遥测数据隐含的部件故障或异常信息。将神经网络看作一个概率模型,则传统神经网络的参数学习可以视为点估计。从概率论的角度,点估计不适合作为分类任务模型的参数训练策略。针对此问题,提出了一种基于贝叶斯神经网络的异常检测方法。使用采样方差、预测熵和互信息三种方式进行不确定性的度量。不确定性的量化提供了对遥测异常数据的直观认知,扩展了对遥测数据异常检测的认识,并能够辅助分类器进行二次评估。实验结果表明,该方法能通过贝叶斯学习添加正则化约束,防止过拟合,并且通过对高不确定性样本的二次评估能够较大地提高异常检测任务的效果。