无人机对自身健康状态准确而及时的感知是安全和可靠飞行的前提，也是未来实现完全自主飞行的基础。飞行数据是一系列与飞行状态相关的飞行参数，其异常往往意味着飞行器存在运行风险。飞行数据异常检测技术有助于无人机运行状态的综合监测和评估。因此，针对无人机飞行数据异常检测方法的研究近年来得到广泛关注，并成为机载健康管理关键技术之一。
　　然而，现有的飞行数据异常检测方法在面向无人机机载健康管理需求时仍面临很大挑战。首先，当前大部分研究工作集中于离线飞行数据库的挖掘，而为满足飞行时健康状态监控需求的瞬时异常检测方法发展相对滞后。其次，实际应用中，带标签的数据样本难以获取，如何利用无监督的机器学习方法充分挖掘数据本身结构仍是需要解决的问题。而且，若要为后续飞行控制率重构或任务重构等应急处理措施提供充分的决策信息，还需在检测出异常的基础上，提供异常源等解释信息。针对上述问题，本文提出一种无监督、且具有低秩和稀疏约束的子空间学习异常检测框架，对面向瞬时异常检测任务中的多维飞行数据在线表示、点异常在线检测和异常源在线检测展开相关研究工作。主要研究内容和贡献如下：
　　（1）针对传统飞行数据表示方法不能充分表征数据本身结构的局限性，以及经典子空间学习表示方法存在的局部时序表示不足问题，提出一种基于在线子空间跟踪的无人机飞行数据表示方法（Flight data Representation on Online Subspace Tracking,FROST）。将飞行数据表示和异常检测任务融合在一个学习框架中，以数据子空间矩阵为原始飞行数据的低维表示，并且以最小化重构误差为准则，无监督且在线的方式学习。所得到的数据子空间保存原始数据更多的局部时序信息。对于正常数据，所估计的子空间矩阵以较低的误差重构出原始数据；对于异常数据，所估计的子空间矩阵分布发生变化，从而有利于异常样本的判别。此外，数据子空间以递推方式进行计算，具有较小的时间和空间复杂度，适用于机载场景下飞行数据流的在线处理。实验结果表明，该方法对于飞行数据的表示优于同类方法，具有较好的数据表示能力和异常判别性。
　　（2）针对现有飞行数据瞬时异常检测方法对点异常建模时存在的依赖先验分布假设和邻域不易确定等问题，以及多维数据间时空关系建模和计算存储轻量的数据表示挑战，以本文提出的无监督飞行数据在线表示方法为基础，提出一种基于部分子空间学习的多维飞行数据点异常在线检测方法（Partial Subspace Learning algorithm for Online Anomaly Detection，PSLOAD）。通过低秩约束后的部分子空间对多维飞行数据间的时空关系进行建模，并利用数据子空间在时序方向上的相似性，以投影近似的方式改善子空间向量的求解，从而得到具有异常判别性的表示。随后，通过度量目标实例的子空间向量变化实现对异常程度的判断，最终获取瞬时异常发生的时间信息。实验结果表明，与已有的飞行数据点异常检测模型相比，PSLOAD不需要先验的分布假设和预定义的数据滑窗，具有准确率较高，误检率较低，计算时间开销较小的特点。
　　（3）针对现有飞行数据瞬时异常检测方法存在的异常源信息缺失问题，为提高异常检测结果的解释性，提出一种基于结构化稀疏子空间学习的异常源检测（Structured Sparse Subspace Learning Anomaly Detection Algorithm，SSSLAD）方法。首先，利用不同飞行数据之间的空间依赖性设计预定义的结构化稀疏范数，以保留数据源信息，从而将异常源检测问题等价于优化求解结构化稀疏子空间。在此基础上，将原始非凸非光滑的优化问题，转化为分步的光滑凸问题，以改善结构稀疏子空间学习问题的求解效率。预定义的结构化稀疏范数将诱导子空间投影系数矩阵收缩为预先指定的稀疏模式，以改善子空间的混合性质，从而实现异常源的正确检测，最终获取瞬时异常发生的位置信息。此外，采用Nesterov动量优化方法和欧几里得投影方法，并充分利用相邻时间间隔中子空间的相似性特性，加速了结构化稀疏子空间学习问题的收敛速度。实验结果表明，与现有的异常源检测模型相比，具有较高的准确率和较低的误检率，并减少了计算时间消耗。