航天器遥测数据可以体现出航天器在轨运行时各部件的工作状态和运行情况,是航天器安全稳定运行的重要依据。但是由于通讯误码或数据采样误差等多种原因,遥测数据会出现许多自身的不确定性,可靠性和准确性降低。可靠性低的遥测数据对于下一步分析航天器运行状态、基于大数据的遥测数据分析等后续数据应用会产生很大的影响,因此,有效地评估遥测数据的可信度对于航天器测控具有重要的意义。本文是在某航天器设备的温度和电压参数数据集上运用深度学习相关理论和技术,深入研究了基于深度学习的数据预测,根据预测结果的误差对遥测数据进行可信度分析,最终实现了特定类型的遥测数据异常检测。本文的主要工作包含以下几点:分析研究了时间序列异常检测的方法和序列数据预测的技术和方法,了解发展现状以及研究背景;分析和研究了深度学习相关神经网络,通过对比选择出长短时记忆网络模型,应用于遥测数据预测中;将ATTENTION机制作为加强技术结合长短时记忆网络,引入添加了特征参数的P-LSTM预测模型,并在数据集上进行试验验证了模型的有效性;通过预测的结果与实际数据的误差,对遥测数据进行可信度分析,得到了遥测数据对应的可信度,实现遥测数据的异常检测,并且设计了异常检测验证模型对本文的异常检测模型进行验证。针对遥测时序数据预测模型出现的不确定性和误码问题,以及目前已经提出的时间序列数据可信度分析问题,在真实遥测数据集上展开实验,并对实验结果进行对比论证,证明了本文所采用的基于神经网络的遥测时序数据的异常检测模型具有现实可行的意义,最后通过对模型实验结果进行分析,总结了算法的优缺点。