随着国家空间科学先导专项一期和二期工程的开展,一系列科学探测与技术实验卫星发射成功。如何保障卫星安全高效地在轨运行并完成相应科学实验任务,是空间科学领域的一大挑战。科学实验卫星的研制过程需要国家投入大量人力物力财力资源,一旦卫星在轨运行发生故障,所产生的后果是不可估量的,因此,对卫星的健康状态进行检测尤为重要。卫星异常检测的目的是建立一套高效快速的方法对卫星在轨运行健康状况进行监测,可以及时发现卫星及星上载荷的异常状态,以便相关人员快速反应处理,避免卫星运行安全事故的发生。近几年,机器学习领域的不断发展以及计算机运算能力的提升,为卫星领域异常检测提供了可靠的算法支持和硬件支撑,而卫星在轨运行产生的体量庞大的数据则为机器学习方法提供了有力的数据保障。所以,利用机器学习方法对卫星领域进行异常检测具有实际应用价值。卫星工程参数是卫星状态健康与否的直接反映。为了探究一种异常检测效果更优的卫星工程参数异常检测算法,本课题针对空间科学先导专项工程中量子科学实验卫星和“太极一号”微重力技术实验卫星的工程参数,在对卫星自身的设计特点以及数据的充分了解下,确定了两个方面的实验内容。针对单一平台的卫星工程参数异常检测任务,使用传统的机器学习方法对其进行异常检测,在此任务中,得到一组基于量子卫星的标注信息明确的卫星工程参数模拟数据,为后续异常检测工作提供了强有力的数据支持;针对量子卫星和“太极一号”卫星相似分系统之间的卫星工程参数异常检测任务,提出了一种融合深度学习和迁移学习的方法对卫星工程参数进行异常检测,利用前期工作中形成的量子卫星工程参数,结合“太极一号”卫星工程参数,构建基于领域自适应的异常检测模型对数据进行特征提取,完成利用已有卫星对新卫星、新载荷上工程参数异常检测,最后通过实验验证并与现有方法结果对比,分析算法的有效性。本文的工作主要包括以下几个方面。（1）完成卫星工程参数异常检测方法的性能对比,获取单一卫星平台上最优的卫星工程参数异常检测方法。首先根据量子科学卫星工程数据的组织方式以及以往卫星管控中所发生的卫星工程数据异常类型的经验,构建了以量子科学实验卫星工程参数为依托的数据;使用决策树、梯度提升决策树、支持向量机、K近邻算法在量子卫星模拟数据集上进行实验验证,实验结果表明,异常检测精度方面,所有算法的检测准确率均高于96%,表现最优的是梯度提升决策树算法,平均准确率高达99%;检测效率方面,梯度提升决策树也处于中等偏上水平,可以满足卫星工程参数异常检测快速、可靠的要求。（2）完成了融合深度学习和迁移学习的卫星工程数据异常检测,实现了量子卫星和“太极一号”卫星相似分系统上良好的异常检测效果。传统的异常检测方法往往针对具体的卫星或载荷设计,在新卫星上的异常检测效果并不理想。为了解决这一问题,提出了一种基于融合深度学习和迁移学习的异常检测模型,模型采用深度残差收缩网络作为主网络的架构,在此基础上加入领域自适应的迁移方法。模型主要由两个部分组成,基于残差收缩网络对输入数据进行特征提取,从而获取数据所携带的隐含信息;采用CORAL方法对提取到的特征计算二阶统计特征距离,以此评估源域卫星工程参数特征和目标域卫星工程参数特征之间的相似性。使用前期工作中建立的量子科学卫星工程参数数据以及“太极一号”卫星工程参数数据来验证算法的有效性。实验结果表明,该方法的准确率达到98.03%,与梯度提升决策树、支持向量机、深度残差收缩网络三种方法相比,该方法的迁移检测平均准确率分别提高了20.95、22.51、15.02个百分点;检测效率也同样得到大幅提升,充分利用了GPU的加速性能;最后,对模型的特征提取结果进行可视化分析,表明模型有效地缩小了源域卫星工程参数和目标域工程参数之间的差异性,实现了利用已有卫星工程参数及检测模型对在新卫星的卫星工程参数进行快速、准确检测的良好效果。