随着卫星在轨数量增加以及承担的任务更加复杂多样,卫星在轨时发生异常的概率增加,卫星异常检测对在轨可靠性和安全性的作用日益突出。传统的人工判读、基于阈值以及基于专家知识的异常检测方法无法应对日益繁重的全天候、高维度、大数据量的异常检测,因此需要开发自动化的卫星异常检测算法。基于此本文提出基于非监督算法的卫星异常检测方法。主要研究工作如下:1本文分析了卫星遥测数据的特点,并据此进行数据的预处理,另外本文针对卫星异常检测任务的特点设定了不同的评价指标。数据预处理包括数据清洗,归一化以及特征工程。另外由于卫星异常检测任务中异常样本远小于正常样本,精度无法准确反映异常检测方法的性能,本文采取了接受者操作特性曲线、曲线下面积值、召回率、准确率等能够较好的反映异常检测方法性能的评价指标。2针对多变量点异常,本文提出一种基于改进的孤立森林的方法。传统的孤立森林算法随机性过大,影响模型的准确性,而改进的孤立森林方法采用了确定性的属性切割值,引入了启发式的孤立树根节点选择策略,在多个分系统遥测数据上的对比实验证明该方法提高了检测多变量点异常的准确率、时间效率和稳定性。3针对电源分系统提出一种基于深度学习的方法。卫星电源分系统具有周期性、自回归、时序变化复杂等特点,本文提出一种基于长短时记忆神经网络的动态门限异常检测算法。实验表明该方法对电源分系统遥测变量的拟合能力很强,而动态门限的方法能够及时的检测出时序异常以及点异常。