近年来,伴随着天文事业的蓬勃发展,南极望远镜、极大望远镜、空间望远镜等适应不同极端环境的望远镜将相继出现并得以应用,这就对望远镜驱动系统的可靠性提出了更高的要求。一方面,望远镜可以通过自身设计结构等相关方面提高运行的稳定性;另一方面,故障诊断技术对提高望远镜运行可靠性同样也是必不可少的,而非预期故障又是故障诊断技术的延伸和重要组成部分。目前,针对望远镜驱动系统的非预期故障诊断研究在国内外无研究先例。因此,本文研究工作将为驱动系统的非预期故障诊断提供解决方案。本文对极端环境下望远镜驱动系统的非预期故障诊断展开研究,主要研究内容分为如下几个部分:（1）传统预期故障诊断研究甚多,具有完备的理论知识、解决思路和应用方法。相反,非预期故障诊断研究较少,且缺乏完善的理论和成熟的技术。本文借鉴预期故障诊断技术,结合了现有的预期故障和非预期故障的相关理论,对非预期概念进行详细地定义、准确地描述和规范地划分。（2）本文基于支持向量机及其衍生算法进行非预期故障诊断方法研究,通过分类实现正常和非预期故障数据的诊断识别。巧妙地结合支持向量机建立最优分类超平面的理论,将非预期故障诊断问题转化为最优超平面的求解问题。（3）进一步地,本文设计了专门适用于望远镜驱动系统的非预期半实物仿真平台。一方面将非预期故障转化为预期故障,另一方面也为望远镜驱动系统的设计和非预期故障诊断的问题解决,提供了有力的技术支持。（4）以有先验信息的故障数据选择二分类支持向量机和无先验信息的故障数据选择单类支持向量机两种不同应用场景,分别采用基于搭建的半实物仿真平台采集非预期故障数据,对提出的方法进行有效性验证;同时,单类支持向量机从两个方面进行验证,即数据理想状态下和非理想状态下,结合了智能寻优算法,数据预处理、降噪和交叉验证,以改进优化算法取得对目标类样本更好的描述效果。本文以高斯核函数为例,对支持向量机参数寻优,参数主要为高斯核带宽参数和惩罚系数,可以看出模型性能依赖参数的选择,主要表现在训练模型的支持向量个数和漏警率的改善。分析结果表明,该方法在非预期故障诊断中,能够获得良好的检测效果,验证了本文提出非预期故障诊断方法的可行性。