作为一种集成多种高精尖科技的大型复杂系统，卫星发挥的作用已经体现在各种领域中，并占有无可替代的位置。然而，卫星常年暴露在恶劣的宇宙环境中，会受到太阳活动、宇宙射线，太空垃圾等外界因素的干扰，同时其在工作过程中由于一些内部自身因素，都会导致故障的发生。卫星在长期监测管理的过程中，会产生大量遥测数据，从中可挖掘出各种有用信息，然后有效利用关键参数的潜在变化规律来进行未来趋势预测，对于卫星正常工作具有重要意义。　　本文将机器学习算法应用于卫星关键参数趋势预测中，主要有如下几部分：　　(1)针对卫星关键参数受噪声影响、数据缺失以及机器学习预测模型选择问题，分析比较了几种常用方法和3种评价指标，提出了基于BAs优化的自适应小波阂值去噪算法，实验数据表明该算法可行且有效。　　(2)利用浅层学习模型中的快速学习网络(FLN)、Elman神经网络以及回声状态网络(ESN)实现趋势预测。针对传统ESN当前时刻的状态值与前一时刻的状态值没有直接关系，因此通过增加调节参数β来控制前一个时刻神经元的状态，提高ESN的记忆能力。由于采用最小二乘回归法训练网络输出权值可能存在解的“奇异”问题，则采用岭回归算法（Ridge Regression,RR）取代原有的线性回归方法，从而有效调节输出权值的幅值。针对ESN网络参数的选择问题，利用樽海鞘群算法(SSA)获得ESN网络重要参数的最优值，使得预测模型更加准确。　　(3)针对单一模型对非线性、非平稳时间序列预测难以达到理想的预测精度，将改进的集成经验模态分解(MEEMD)和长短时记忆网络(LSTM)结合形成MEEMD-LSTM组合预测模型。该模型首先采用MEEMD将原始序列分解为若干个不同时间尺度或趋势的本征模态函数（IMF）分量，再采用LSTM预测模型对每个IMF分量进行预测，最后集合每个分量的预测结果得到有效的预测结果。　　(4)将提到的几种机器学习模型应用于锂离子电池容量趋势预测实例中来验证算法的有效性，实验结果表明，在浅层学习模型中ESN网络预测精度较高，使用群智能算法组合预测模型能够提高传统ESN神经网络的预测精度；深度学习模型中MEEMD-LSTM模型具有较好的预测效果。　　(5)采用MATLAB与C#语言联合编程开发了一套综合电子系统健康监测软件系统。