卫星在轨运行中,需要对有效载荷的在轨运行模式进行判断。以暗物质粒子探测卫星(DAMPE)为例,工作人员通过监测暗物质粒子探测卫星有效载荷的遥测数据,来判断有效载荷是否处于指定的工作状态,进而判断探测器是否按照预订的计划执行任务,目前主要采用的方法是基于阈值的专家系统,需要消耗较多人力成本。而且有效载荷的运行模式会受到多种因素的影响,这些因素往往会随着时间推移产生变化,而重新设定阈值成本较高。本文通过机器学习理论,可以将有效载荷的运行模式判断抽象为机器学习中的多元分类问题。通过遥测数据训练分类器模型,对卫星遥测参数进行分类,作为运行模式判断的辅助工具。研究主要围绕分类模型建立过程中,以下两个方面的问题:1.类别不平衡问题。来自卫星的数据样本中,部分运行模式对应的样本可能相对稀有,各类别样本分布不平衡,可能导致分类器难以准确分类稀有类。2.数据流分类与概念漂移问题。卫星载荷相关参数可能随时间发生变化,需要对这种变化进行检测和处理,以及在此基础上对分类模型进行更新。针对卫星载荷参数的机器学习分类方法,以及实际应用中需要面对的问题,提取了暗物质粒子探测卫星的真实遥测数据,对其进行预处理,并对其特性做了简单分析。利用卫星真实遥测数据,实验比较了几个经典的机器学习分类算法,包括k近邻算法,朴素贝叶斯算法,和决策树分类算法,对卫星遥测参数进行分类,这几种方法中,决策树分类算法的分类准确率相当高,但是该算法对稀有类的分类效果非常差。针对类别不平衡问题,文章讨论了几种解决不平衡分类的方法,包括重采样方法,代价敏感的学习方法,分类器集成方法,训练集划分方法以及特征选择方法。通过实验验证和比较了这些方法在卫星参数分类中的实际效果。实验结果显示,不论是重采样的方法,还是代价敏感加权的方法,都可以显著提升分类器对本实验数据样本中稀有类的分类性能,相对而言,使用加权的方法,提升的效果往往更为明显。而XGBoost算法,特别是进行样本加权之后,f1-macro评价指标达到了相当高的水平,远远高于另外几种算法。针对数据流分类和概念漂移的问题,设计了一种简单的基于自适应窗口和XGBoost算法的数据流分类模型,这种方法易于实施和扩展。并实验验证了这种分类模型的有效性。本文提出的基于机器学习方法,对卫星参数进行分类的方法,具有较好的实际应用价值,易于拓展和移植,降低成本投入,减轻地面监视人员的工作负担,分类过程中也能挖掘出数据中的潜在信息,为相关专家提供辅助参考。