航天器飞行过程中由于受到特殊空间环境、设计验证不充分、生产加工工艺风险与损伤累计效应等影响,在轨异常事件屡见不鲜,影响航天器系统在轨运行可靠性和任务安全性。遥测数据作为地面长管系统判断航天器运行状态和工作性能的重要依据,及时有效地检测其中的异常模式,对于提升在轨航天器的监测能力、保障飞行任务以及延长航天器使用寿命均具有重要价值和意义。航天器遥测数据呈现时序特性、伪周期特性与不确定性,其异常模式具有时间关联以及聚集特性。概率性预测方法由于具备时间序列建模、动态阈值生成、可在线检测异常以及强解释性等优势,已被尝试应用于航天器遥测数据异常检测领域。但针对单遥测参数复杂时序特性的聚集异常模式,以及具有复杂相关关系的多遥测参数的异常检测,此类方法仍存在预测置信度难以自适应选择、单遥测参数与多遥测参数异常检测性能不足等挑战,本文围绕概率性预测的航天器遥测数据异常检测的上述三个方面开展研究,主要研究工作如下:(1)针对概率性预测的异常检测方法中预测置信度选择依赖常规经验值的问题,研究非监督条件下预测置信度的优化选择方法。首先设计非监督受试者工作特征(Unsupervised Receiver Operating Characteristic,Un ROC)曲线,以揭示不同预测置信度下预测区间的潜在检测率与误检率的关联关系。在此基础上构建以改进Youden(Enhanced Youden,E-Youden)指数为目标函数的预测置信度优化模型,实现Un ROC曲线的预测置信度寻优以生成有效的动态阈值。实验结果表明,与其他预测置信度选择方法相比,所提方法选择的预测置信度,其对应的异常检测阈值具有较强的正负样本区分性能以及样本标签预测能力,有效解决预测置信度缺乏选择依据而影响异常检测阈值的样本分类性能的问题。(2)针对概率性预测的异常检测方法在单参数异常量化表征与多步预测特征融合建模方面的不足,研究一种离散特征构建及融合的单参数异常检测方法。首先结合预测置信度优化的概率性预测模型提供的有效动态阈值,设计基于等宽离散与统计分析的预测特征离散化方法,将预测误差分割为对应不同异常程度的离散化区间,以增强单参数异常量化表征能力。在此基础上,结合马尔科夫链与多数投票集成方法,对离散特征进行多步—多窗口的多时间尺度融合,实现多步预测特征的时序建模。实验结果表明,与其他单参数异常检测方法相比,所提方法对于表现形式各异且持续时间不同的聚集异常模式,具有较强的异常检测性能及检测稳定性,有效提升概率性预测方法对单遥测参数异常检测的综合性能及应用能力。(3)针对概率性预测的异常检测方法在高维输入空间预测性能与多特征融合建模方面的不足,研究一种时空特征提取及融合的多参数异常检测方法。首先基于因子分析方法提取多参数的空间特征,降低输入空间维度且揭示多参数内部结构关系,以构建关于空间特征的预测置信度优化的概率性预测模型,提取多参数的时空特征。在此基础上,通过时空特征离散化形成多参数的异常描述子,并基于多维马尔科夫链对特征进行交叉,实现多特征的关联建模。实验结果表明,与其他多参数异常检测方法相比,所提方法对于相关关系复杂的多遥测参数,具有较强异常检测能力且具有强解释性,有效提升概率性预测方法对于多遥测参数异常检测的适应性及应用能力。