随着科技时代的不断发展,卫星的在轨寿命越来越长。卫星的状态受空间环境与运行时长的影响,这些影响可能会使卫星在运行过程中出现故障,从而造成不可挽回的事故损失。卫星运行过程中产生的遥测数据能够直接表达卫星的状态,对卫星遥测数据的变化趋势进行预测,可以提前预知发生故障的可能,为卫星运控管理人员留出更充裕的时间实施故障处置。本文建立了卫星遥测数据预测模型,对卫星实际遥测数据的变化趋势进行预测,提高预测精度,使工作人员能够更精确地分析判读卫星在轨运行的状态。卫星遥测数据的特征比较复杂,为提高预测精度,本文从组合模型层面进行预测研究。针对卫星时序遥测数据的周期性、非线性等特点,结合差分自回归滑动平均模型（ARIMA）处理周期性样本以及支持向量回归模型（SVR）处理非线性样本的优势,本文利用ARIMA-SVR组合模型对卫星真实遥测数据进行预测。本文以空间科学某型号卫星实际在轨运行数据作为研究对象,为验证组合模型在预测精度上的提升,分别利用ARIMA模型、SVR模型、长短记忆人工神经网络模型（LSTM）以及ARIMA-SVR组合模型对卫星的实际遥测数据进行短期和中期预测。为了保证SVR模型核函数参数选取的可靠性,本文利用粒子群优化（PSO）算法对SVR模型核函数的参数进行寻优。在实验的最后,本文利用决定系数（R2）、均方误差（MSE）、均方根误差（RMSE）以及平均相对误差绝对值（MAPE）评价标准对四种不同模型的预测效果进行评价。实验结果表明,无论是短期还是中期预测,ARIMA-SVR串联组合模型的预测精度都高于ARIMA、SVR以及LSTM预测模型。将短期预测与中期预测的结果对比后发现,ARIMA-SVR组合模型在短期预测中的精度高于中期预测,表明ARIMA-SVR组合模型更适用于卫星遥测数据的短期预测。本文以卫星实际遥测数据作为研究对象,结合实验得出的预测结果,证明了ARIMA-SVR模型可以有效提高卫星遥测数据的预测精度,表明该模型在卫星遥测数据的预测中具有实际的应用价值,未来可以为卫星的异常检测提供有效的决策分析支持。