随着卫星数量的增加以及卫星应用的扩大,作为保障卫星正常工作关键技术之一的卫星故障诊断技术越来越受到重视。另一方面,卫星越来越复杂,庞大,卫星测控技术不断发展,用于卫星故障诊断的遥测数据急剧膨胀,适合于海量数据分析的、基于数据驱动的卫星故障诊断技术成为了当前的研究热点。卫星的故障诊断主要分为故障检测、故障隔离和故障识别三个阶段。异常检测是卫星故障检测的基本方法,时间序列相似度比较是时序数据异常检测的核心技术之一。动态时间弯曲(Dynamic Time Warping,DTW)算法具有较高的比较精度以及鲁棒性,是目前普遍采用的相似度比较方法,但由于其计算复杂性高,不适合卫星遥测数据的处理。针对这一问题,本文提出了一种基于Map Reduce的DTW并行化算法,实验表明在处理长时间序列时,其相似性搜索的效率和准确度都得到了提升。为了从卫星遥测数据中挖掘出有用的规则,通常需要将时序数据转化为规则获取所需的符号。时间序列符号化技术作为一种重要的离散化技术,是对连续数据进行挖掘的预处理过程。现有的一些典型符号化技术,重点考虑的是对原始序列进行降维,但丢失了大量的原始特征信息,这与卫星故障诊断中的高精度要求是不相符的,并且面对长时间序列,已有的基于关键点的分割方法效率会大大下降。本文提出了一种基于并行分割的卫星时序数据符号化技术,通过快速地寻找序列的关键点来保留原始序列的大部分趋势特征。实验证明,我们的方法不仅满足下边界原理,其符号化结果的分类准确性也有所提高。针对诊断知识库建立和完善的需要,弥补人工获取相关知识的不足,我们研究了诊断规则的自动获取技术。Apriori是经典的关联规则挖掘算法,但面对海量的卫星遥测数据,其性能会大大降低,在单机上甚至无法运行。本文对Apriori关联规则算法进行了改进,结合Hadoop集群计算模式,并行化该算法,并给相关的故障项设置较高的权值,使其能够更加有效地挖掘出与故障相关的规则。实验结果说明,我们的方法能够高效地获取故障诊断规则,通过加入相关的权值,原来不容易获取与故障有关规则的情况也有所改善。针对卫星参数多、故障类别多样的问题,我们研究了高精度的卫星故障识别方法。故障识别的本质是对故障进行分类,现有的分类方法对学习样本要求不仅多而且质量高,卫星系统的实际故障样本由于数量少,很难达到这种要求。支持向量机(Support Vector Machine,SVM)技术能很好地解决小样本的分类问题,但其本质上是一个二类分类模型,而卫星的故障类型是非常多的,因此需要对其进行改进。本文提出了一种基于支持向量机混合投票机制的故障诊断技术,结合故障相关性、SVM以及组合分类器三种方法来提高故障识别的精度,通过真实的卫星数据测试表明,该方法的漏报率和误报率都大大降低了。