卫星电源系统是卫星的核心组成之一,卫星电源故障会造成严重的、无法修复的损失。卫星电源系统的异常作为故障发生的“前兆”,若任其发展将导致星上任务完全失败,这就需要对卫星的运行状态进行持续和准确的异常监测。由于地面对于在轨卫星运行状况的掌握完全来自于卫星监测参数,随着卫星复杂度和监测参数的不断增长,通过数据驱动的方法对监测参数进行分析和建模,学习数据特征并实现对异常的检测,成为了航天领域研究的一个重要研究方向。本文从卫星电源监测参数的特性出发,提出一种基于堆叠降噪自动编码机（Stacked Denoising Autoencoders,SDAE）的异常检测方法,具有重要的理论研究意义和应用价值。本文首先采用仿真方法对卫星电源系统进行建模,对太阳电池阵、蓄电池组和电源控制器等模块正常和异常状态下的监测参数进行分析,总结出卫星电源监测参数具有伪周期性、多参数相关性等特点。其次,基于监测参数的特点和变化规律,提出滑动窗口下的SDAE数据重构模型,通过学习正常数据的特征建立模型,而后根据重构误差的大小对参数进行异常与否的判断。最后,针对卫星电源系统的多维度监测参数,提出基于数据融合的多参数异常检测方法。计算参数之间的皮尔逊相关系数并根据相关性大小进行分组,利用主成分分析的降维方法减少冗余信息,之后从不同通道训练SDAE数据重构模型,计算得出的重构误差,通过支持向量数据描述（Support Vector Data Descryption,SVDD）算法以单分类的思想将异常数据从正常数据中检测出来。本文利用公开数据集对本文提出算法的点异常和片段异常的检测能力进行验证及评估。与传统自回归综合移动平均（Autoregressive Integrated Moving Average,ARIMA）模型、长短期记忆（Long-short Term Memory,LSTM）模型相比,本文方法在降低了误检率的同时,达到较优的系统综合性能。对卫星电源单参数和多参数的片段异常进行检测,能够准确发现异常,实现较高的召回率。