近年来我国航天技术得到了飞速发展,卫星的功能与结构也日益多样化,因此卫星安全保障的重要性十分凸显。目前主流的人工阈值检测已经无法满足难度日益增长的卫星故障诊断需求,基于人工智能的故障诊断将成为重要的研究方向之一。本文针对卫星分系统中,伴随卫星使用周期全程的姿态控制系统作为研究对象,展开了基于人工智能方法的故障诊断研究。论文的主要工作与贡献如下:（1）本文基于MATLAB/Simulink建立了卫星反作用轮的高精度仿真模型,并对其正常工况与卫星在轨期间可能出现的故障工况进行了仿真,收集数据,为后续的故障诊断奠定数据基础。（2）针对离散型数据,提出了基于粒子群优化的极限学习机故障诊断模型,采用数据挖掘的办法来解决在摩擦、缓变等故障发生时,观测器数据变化不明显的问题。本文利用改进的粒子群算法来寻优极限学习机中的初始权值与阈值,提升了极限学习机的分类性能,提升了模型的精度。（3）针对时序型数据,提出了一种基于长短时记忆人工网络（LSTM）的时序分类模型,用来学习卫星时序故障数据中的长期依赖非线性与线性关系。针对卫星仿真数据的样本维度过大问题,本文采用了核主成分分析法,在保证主成分贡献率的情况下,减小样本维度,提高了LSTM网络的分类精度与效率,实现了时序型数据的故障诊断。综上所述,本文基于卫星反作用轮仿真模型,提出了故障的分类与诊断方法,可以有针对性地解决两种数据类型的故障诊断。并通过仿真数据进行实验和对比分析,验证了所提出的故障诊断方法的准确性与有效性。