航天器遥测数据是卫星地面应用系统判读星载设备状态的唯一依据。对遥测数据未来变化趋势进行准确预测,是航天器异常检测的有效方法。传统基于滑动自回归平均模型、机器学习的遥测数据预测方法,在以下几个方面存在不足:(1)没有综合考虑与被预测遥测参数有关联关系的其他遥测数据;(2)大多研究聚焦于遥测时间序列的点预测,而现有区间预测方法对区间宽度、区间覆盖率等性能指标考虑不足;(3)对平稳数据预测效果较好,对具有突变特征的遥测预测欠佳。论文在对现有遥测时间序列的点预测、区间预测方法进行充分调研的基础上,针对遥测数据预测的上述缺陷,提出了基于注意力机制的自编码神经网络方法,对遥测数据进行多步点预测和区间预测,并采用先导专项地面支撑系统量子卫星遥测数据进行了实验。论文主要研究内容如下:1)针对卫星遥测数据密度大、变化缓慢等特征,对遥测数据进行预处理。包括对训练数据进行压缩以构造新特征值,使其符合所提预测模型的输入输出要求;采用数据可视化分析方法,对数据进行可视化分析,绘制出箱线图分析原始数据分布的特征;针对量纲不统一的数据进行归一化处理;采用最大信息系数对遥测数据相关性分析,选取对预测目标关联的遥测变量;2)针对突变型卫星遥测数据的多步点预测问题,提出一种结合注意力机制的复合长短时记忆神经网络自编码器模型。该模型对具有一定程度相关关系的遥测多元数据进行学习,完成自动特征提取和遥测序列多步预测。采用量子卫星数据进行实验验证,并对比向量自回归模型、支持向量回归模型,验证了本文方法在均方根误差指标上具有更高的预测精度;3)针对遥测数据的区间预测问题,提出一种将结合注意力机制的复合长短时记忆神经网络自编码器模型与改进后的质量驱动的区间预测方法相结合的预测方法。该方法通过自编码模型,直接对具有一定程度相关关系的遥测数据进行学习,输出预测区间的上、下界和点预测结果。采用量子卫星任务遥测数据进行验证实验,结果表明对比传统向量自回归、相关向量机、高斯过程回归等模型,本文方法在均方根误差、区间覆盖率、预测区间宽度、区间距离指标上的具有更好的预测性能。