卫星在轨长期管理（长管）数据是卫星状态的一种反映。卫星运行到地面测控弧段时,地面接收卫星遥测系统下传的遥测数据,数据中包含与各子系统及卫星载荷相关的遥测参量数据,反映出显现及隐含的卫星自身状态信息及宇宙环境信息等。实时以及延时遥测数据中包含异常数据,其中一部分为错误数据,一部分为故障数据。导致卫星遥测数据异常的原因主要有如下几种:未提前通知的基地人为操作、卫星自身或装载的有效载荷运行状态异常、遥测数据传输过程中的编解码错误以及宇宙环境的变化等。卫星遥测数据的分析处理工作对保证卫星在轨正常运行十分重要。对于卫星遥测数据的监测,卫星在轨长管领域采用二十四小时有人值守的传统方式。当遥测数据出现异常情况时,监测人员在机器的辅助下结合自身监测经验判断卫星遥测异常数据是否为错误数据或故障数据。上述传统判断方式对于人力、时间等资源成本消耗大,对卫星长管遥测数据监测人员的相关知识储备量以及卫星运行监测中心与基地的联系实时性有较高的要求。针对卫星遥测数据传统监测方式存在的问题,本文对卫星在轨长管遥测数据的预测方法及异常检测方法开展研究。在对传统时间序列预测算法差分自回归移动平均模型ARIMA与机器学习长短时记忆网络模型LSTM进行比较分析的基础上,本文提出了LSTM-ARIMA融合神经网络时间序列预测模型以及基于预测模型的双门限异常检测模型,实现了对卫星长管遥测数据的准确预测以及对卫星长管遥测异常数据的异常检测。LSTM-ARIMA预测模型不仅考虑到卫星遥测参量数据自身的变化趋势,同时考虑了其他卫星长管遥测参量数据对目标遥测参量数据的影响,提升了卫星长管数据的预测准确率;双门限异常检测方法结合了专家知识对超差值门限及异常统计值门限进行设定,简单高效的实现对遥测参量数据的异常判断。上述卫星长管数据预测及异常检测模型准确度高、人为成本低,模型验证过程搭建寒武纪智能计算服务器,实现国产自主,具有良好的应用前景。