电源系统承担着卫星在轨期间对整星负载供电的艰巨任务,由于受到不确定环境干扰、生产加工工艺欠缺以及累计损伤效应等因素影响,电源系统各部件在轨故障频发。此外,锂电池作为无光照期间卫星唯一的能量来源,其使用寿命难以得到有效估量。以上因素都对卫星全生命周期安全可靠运行带来了不小的挑战。为了实现对在轨卫星故障的有效诊断和锂电池剩余使用寿命的精确预测,数据驱动故障诊断与寿命预测方法成为了目前研究的热点问题。本文基于在轨卫星遥测数据和地面仿真实验数据,利用数据挖掘、机器学习和深度学习方法,围绕遥测数据长时间段缺失值补全、电源系统多故障模式诊断和锂电池剩余使用寿命（Remain Useful Life,RUL）预测这三个问题开展研究,主要研究工作如下:针对在轨卫星因缺乏境外数据存储能力和地面测控站数量有限导致的电源系统遥测数据长时段数据缺失问题,研究了一种基于cr-NSGA-II算法和神经随机森林模型（Neural Random Forest,NRF）的缺失数据补全方案。首先采用非均匀交叉算子和自适应变异算子对经典多目标优化算法NSGA-II进行改进,以增强算法的局部搜索能力和种群的多样性。然后构建以选取特征数量、预分类效果和基于标准化互信息的适应度函数为目标函数的cr-NSGA-II算法,实现对待补全遥测参数相关特征集合的提取。最后采用经贝叶斯算法参数选择后的NRF模型进行长时段缺失数据预测,利用回归树构造方法和Bagging集成学习思想建立树型神经网络集合,赋予NRF模型强学习能力和可解释性。实验结果表明,与其他多目标优化特征选择方法和缺失数据预测方法相比,所提方法具有更好的特征选择效果和预测精度,有效解决了因卫星和地面硬件条件匮乏而产生的长时段数据缺失问题。针对卫星电源系统故障诊断任务中故障诊断模型性能欠佳和各类别故障数据较少问题,研究了一种基于切片残差注意力网络（Slice Residual Attention Network,SRAN）和CVAE-GAN模型的故障诊断方案。首先设计了一种基于SRAN的卫星电源系统故障诊断模型,通过引入随机切片思想和CBAM注意力机制,充分提取各频谱边缘信息。然后串联融合CVAE和GAN网络,构建以总损失函数最小为更新目标的CVAE-GAN频谱数据增强模型,在获得更多频谱数据的目的下,降低模型过拟合风险并提高生成故障样本的质量。最后基于公开数据集cifar10和电源系统频谱故障数据集,围绕数据集选择、未增强时故障诊断模型效果、数据增强模型效果以及增强后故障诊断模型效果这4个方面进行了实验。实验结果表明,SRAN相比其余6种对比模型具有更低的损失和更高的故障诊断准确率,CVAE-GAN的数据增强效果较其他对比方法更贴合真实样本,且经过CVAE-GAN增强后SRAN的诊断效果能够得到进一步提升。以上实验结论能够证明本文方法有效解决了因故障数据较少和故障诊断模型性能不足导致的故障诊断准确率较低的问题。针对卫星锂电池RUL预测任务中数据挖掘不够深入和预测模型学习能力不足问题,研究了一种基于数据预处理、特征提取和Bi LSTM-Attention模型的RUL预测方案。首先根据经验初步选取多个与容量退化过程相关的健康因子,并基于BoxCox变换和CEEMDAN算法,实现对原始高维特征的线性化和去噪。然后综合考虑回归标准差和累计方差贡献率这两个指标,利用PCA算法实现特征降维,以增强特征和容量间的相关性、降低特征间的冗余性。最后采用融合时间注意力机制的Bi LSTM模型进行锂电池RUL预测,通过捕获每个待预测点前后信息并将模型计算重心自适应分配给需要重点关注的区域,以提高模型预测效果。实验结果表明,包括Box Cox-CEEMDAN-PCA在内的数据挖掘技术充分的挖掘出了容量退化过程的内在信息,且与其他RUL预测模型相比,所提方法具有更好的RUL预测精度,受训练样本数量的影响更小并具有更优秀的泛化能力,有效解决了因数据挖掘不够深入和预测模型学习能力不足导致的RUL预测精度不高的问题。