该文以国防十五预研项目"卫星长寿命高可靠性技术"为研究背景,为提高目前航天器预测能力,提出了一套适合航天器遥测数据预测的框架体系,并研究了四项关键技术作为该框架的支撑.给出了一种适合航天器快变遥测数据变化的à Trous小波递归预测方法.由于此类数据变化较快,并具有噪声和非平稳趋势等干扰成分,对这类数据进行实时预测有一定难度.传统的ARIMA模型预测不能够满足对此类非平稳数据的预测要求,因此引入小波预测来解决此类航天器数据预测问题.而常用的Mallat小波算法不能在线完成对时间序列的预测,该文提出了一种基于à Trous算法的递归小波预测方法.该方法解决了Mallat算法不能完成的在线预测问题,具有很好的实时性和自适应性.针对航天器慢变遥测数据的特点,该文提出了另一种预测方法.考虑到这类数据模型的输入输出存在着非线性函数关系及其它不确定因素,确定适合该类数据的模型显得非常重要.该文从概率神经网络的特性和原理分析入手,对该网络进行改进来满足预测的需要.这种改进型概率神经网络(MPNN)把统计学的很多优秀方法融入到神经网络当中,提高了神经网络的性能.与径向基神经网络(RBFN)相比较,在相同条件下对航天数据进行预测MPNN的速度快得多.最后,该文用实例验证了MPNN模型适合对航天器慢变遥测数据进行预测.该文还采用了基于统计学区间估计理论的预测区间技术,进一步深化和拓展了传统的趋势预测研究.该技术将前面研究预测模型与区间估计理论相结合,给出未来数据在一定置信度下的活动范围.在理论上,该方法仅适用于正态分布样本,而该文引入了一种变量变换法可将非正态样本转换成正态样本,再应用上述理论.在某些情况,因果因素的影响也需要在预测过程中被考虑,该类问题被列入因果调整技术当中.该文提出了一种基于层次分析法(AHP)和关联规则挖掘(ARM)的因果调整方法.该方法提供了因果因素的判断调整方法,并应用关联规则挖掘理论弱化了人为判断的影响.由于利用更充分的数据间关联信息,使得整个预测体系的输出与传统时序预测方法更合理.综上所述,该文提出的预测体系可以很好地完成航天领域的预测任务.以"风云一号"卫星为应用背景,开发了卫星监测及预测平台.该平台包括卫星遥测数据库管理系统,图形分析工具,实时监测系统以及遥测数据预测模块等.值得指出的是,该预测模块正是应用上述预测体系实现的.