在空间科学卫星中,部分卫星具有特殊的实验模式,其工作模式的判断不同于常规卫星所采用的参数阈值判断方法,此类科学卫星具有多种工作模式,并且每种工作模式不是通过简单判断单个参数是否超过阈值得到的,而是针对大量参数的状态联合判断出来的。目前,地面运控人员主要使用基于人工实时监测的方法来监视此类在轨运行的参数复杂耦合、多工作模式的空间科学卫星,对于一些重点遥测参数地面人员会事先设定阈值,监视的过程中通过判断这些重要遥测参数是否超出事先设定的阈值从而识别卫星当前的工作模式。但该种方式存在耗费大量人力资源、移植成本高、可扩展性弱、前期设定的阈值可能不再适用、无法观测多个参数间的相互依赖关系等多种问题。因此,本文提出了一种基于集成学习的空间科学卫星工作模式识别方法,本文主要研究内容包括:1)以某型号卫星为例,对遥测数据与卫星工作模式进行数学化的定义和形式化的表述,同时将空间科学卫星工作模式识别的问题归约为机器学习领域中的多标签分类问题;2)分析空间科学卫星遥测参数数据的来源以及星上发送端和地面接收端的具体业务流程,同时针对地面接收端数据处理系统使用单机处理方式导致吞吐率不高的情况做出改进,使用流式计算的方式并行处理遥测参数数据;3)对获取到的原始遥测参数数据进行标签标注,分析数据集中的统计特性,对数据集进行缺失值填充、异常值剔除和数据归一化等预处理操作;4)总结给出通用的特征筛选处理思路,同时结合具体需求采用皮尔逊相关系数法和互信息理论来进行特征筛选;5)总结给出通用的类别不平衡问题处理思路,针对本文中数据集的特性和具体的业务需求,采用随机过采样、SMOTE过采样和SMOTE-Tomek混合采样三种方式分别处理数据集以解决类别不平衡问题;6)本文使用随机森林模型作为空间科学卫星工作模式识别的算法模型,为了确定基学习器这一参数,分别在不同基学习器数量下训练随机森林模型并评估其F1-score和训练时间;在确定基学习器这一参数后,分别在原始数据集、随机过采样后的数据集、SMOTE过采样后的数据集和SMOTE-Tomek混合采样后的数据集上训练并评估随机森林模型的正确率、F1-score和训练时间,证明数据过采样技术确实可以解决类别不平衡问题,同时比较三种数据过采样技术在效果上的差别;并且将随机森林模型与朴素贝叶斯模型、逻辑回归模型、支持向量机模型和CART决策树模型等其他机器学习算法模型进行对比。同时,针对传统随机森林在预测时存在的基学习器权重一致导致分类性能下降和所有基学习器参与投票导致性能下降的问题,本文提出改进的随机森林模型,改进的随机森林模型在进行预测时,首先使用K-means聚类对决策树聚类成多个簇,选择每个簇中分类效果最好即F1-score最高的决策树组成精选随机子森林,之后对于精选随机子森林中的每个决策树采取加权投票的方式来决定分类结果,并且将改进的随机森林模型与传统的随机森林模型的结果进行对比。实验证明,随机森林算法构建模型仅需4.36秒,分类性能优于朴素贝叶斯、逻辑回归、支持向量机等其他机器学习模型,随机森林模型对整体类别的识别正确率高达99.67%,可正确识别多数类样本和少数类样本,同时将随机森林模型改进后识别正确率可提升至99.68%,可为地面运控人员判断空间科学卫星工作模式提出决策依据。