随着卫星技术的日益成熟和卫星的需求逐渐增加,发射进入太空的卫星越来越多,同时卫星姿态敏感器系统发生故障的事件也在逐渐积累,异常检测能够尽早地发现可能的故障征兆,在部件性能恶化甚至在故障发生前及时预警,因此关于卫星姿态敏感器的异常检测技术受到了越来越多的关注与研究;另一方面,卫星集成度和复杂程度逐渐提升,遥测数据维度与数据存储量快速增加,随着卫星算力的增强,适用于海量数据分析预测的基于数据驱动的遥测数据预测技术已经成为了重点研究方向。地面建立的仿真模型常由于实验条件和对太空环境认知的限制,导致仿真数据与实际数据间常常误差较大,难以达到高精度自主异常检测的目的。如果能够降低这部分误差,使用物理模型与预测模型结合的方式进行异常检测,将同时具备可解释性、高精度与可拓展性。因此,本文在现有数据驱动技术的基础上,提出了分别适用于太阳敏感器与磁强计的关键参数预测模型及异常检测方法。对于影响因素较少的太阳敏感器电流,采用系统辨识方法,建立仿真电流与实际电流间的非线性黑盒等价系统。具体来说,对于仿真电流与实际电流间的动态线性和静态非线性关系,使用Hammerstein-Wiener模型的三层结构,在模型输入非线性模块中使用自构双正交小波提取信号特征并非线性化,使用lipschitz熵选择适合信号的动态线性模块参数,在输出非线性模块使用分段线性函数将中间变量非线性映射至输出,以此分别辨识线性与非线性特性。再使用动量梯度下降法训练模型参数,提升了收敛速度并减小振荡。本文建立了仿真电流与实际电流间的黑盒模型,并提出相应的异常检测阈值生成方法,最后在某型号实际太敏电流数据上证明了这一思路的可行性。对于影响因素较为复杂的磁数据,重点研究实际磁数据与基础磁模型输出的残差,针对缺失值补充与连续序列预测两个任务,分别设计了时序残差预测模型。针对常见的数据缺失问题,首先对实际磁数据进行剔野预处理,提出了先校正转换矩阵再使用TCN-SE（Temporal Convolution Network-Squeeze-and-Excitation,时间卷积网络-压缩与激发机制）模型预测残差的缺失值补充方法,解决了难以高精度补值的问题。然后提出根据周期信息建立周期性膨胀卷积模型对连续残差序列预测,并采用贝叶斯优化进行超参数寻优,解决了常用时序模型无法准确建立全局依赖的问题。同时,采用外推数据和遥测数据的差值定义出故障容限以实时异常检测,并序贯更新历史数据集,实现模型在线更新。最后选取某型号遥测磁数据进行实例验证,提出的模型在缺失数据上取得了较好补值效果,在连续残差序列测试集上的预测误差序列近似为白噪声,并检测出模拟的扩散漂移异常,证明了方法的有效性,同时也对模型做了可解释性研究。