随着经济、科技和生产的飞速发展,航天器系统的结构设计日趋复杂,功能愈发全面,呈现出规模庞大、综合集成、深度智能等特征,伴随着航天器复杂程度的增高,其在轨故障发生率明显提升,遥测数据是地面管理人员或用户判断和了解航天器状态的主要途径,采用数据驱动方法高效、准确、及时实现航天器遥测数据的异常检测具有非常重要的现实意义和应用价值。论文针对航天器遥测数据,开展了单元和多元异常检测研究,主要工作和创新如下:论文提出一种基于多目标优化的LUBE区间预测异常检测模型。首先基于传统LUBE模型提出异常检测框架,在异常检测的框架中引入消除模型本身误差的方法,通过改进的k倍交叉验证方法表征模型不确定性。针对模型的预测区间评价（区间宽度和区间覆盖率）和异常检测指标（检测率和误检率）等多个评价指标,将其视为一个多目标优化的问题,提出一种基于多目标优化的LUBE区间预测模型,引入Knee point思想,与传统方法相比,改进的方法在公开数据和遥测数据等多个数据集上的预测效果和异常检测评价指标上均表现更优。论文提出一种基于深度信念网络（DBN）模型的航天器蓄电池异常检测方法,通过构建温度、电流、压力、充放电时间等与电压之间的相关性神经网络模型学习航天器蓄电池健康状态演化规律,当蓄电池健康状态发生明显退化时,模型的多元相关性会发生异常,因此通过模型预测放电电压值和实际观测值之间的差异来判断航天器蓄电池的健康状态是否发生异常。基于某在轨卫星蓄电池三年的实际遥测数据,验证了本文所提出DBN模型能比较精确的描述该蓄电池系统内在相关性,并且及时给出航天器蓄电池健康状态异常程度的大小,检测结果比传统的多元异常检测方法更为可靠和有效,并且检测效果更为直观。论文提出一种融合性的降维重构多元异常检测方法,综合兼顾了复杂系统的全局结构和局部结构特征,通过引入流形学算法的局部结构保持思想,改善了传统降维重构方法仅关注全局结构的缺陷,使得多元参数的特征提取更为全面。针对姿态控制这类复杂系统的多元异常检测,本文提出的算法可以很好的挖掘数据内部特征,异常检测效果优于传统PCA降维重构方法。