卫星作为人类航天活动中发射最为频繁,在轨数量最多的航天器。卫星在轨运行的过程中面对复杂的太空环境不可避免的会发生故障,一般会产生较为严重的损失。通常卫星的姿态正常是卫星能源正常、星地通联正常、卫星温度正常的基础,同时卫星姿态控制系统中的遥测数据众多,便于分析与建模。本文采用机器学习的方法对卫星姿态故障进行检测。全文包括以下几个部分:首先,通过研究分析卫星姿态控制系统中的故障以及产生原因,对卫星姿态故障进行整理分类。其次,将卫星姿态故障检测抽象成机器学习中的分类问题。针对卫星姿态控制系统的海量遥测数据中故障数据只占极少数,导致模型的检测效果欠佳这个问题。设计出了有限制的SMOTE采样方法,对故障数据进行采样,让数据分布变得相对均衡。将用在图像不平衡分类中的损失函数Focal Loss应用到卫星遥测的结构化数据中,同时结合XGBoost模型,能够更加准确的检测出卫星姿态控制系统中的故障。最后,使用长短期记忆网络和深度残差收缩网络深度学习模型对卫星姿态故障数据进行建模。尝试神经网络在卫星故障检测领域的实际应用。综上所述,本文根据实际的卫星姿态遥测数据,对数据进行分析构建数据集。针对故障检测中的难点,提出对应的检测方法,并进行实验分析,验证本文提出方法的准确性和有效性。