航天器故障诊断技术的发展历程最长、研究成果最多。中国人工智能学会白皮书系统梳理了三大技术路线：基于解析模型的诊断（自适应观测器、强跟踪滤波器）物理意义明确但依赖精准模型；基于信号处理的诊断（小波分析、经验模态分解）原理简单但高度依赖数据质量；基于人工智能的诊断（神经网络、定性模型、数据挖掘）无需精确模型但需大量数据。从NASA Livingstone系统到中国空间站工程实践，从可诊断性理论到序列数据-图像映射智能方法——故障诊断正从“后处理”走向“前置设计”。

基于解析模型的故障诊断技术从状态估计角度出发，利用观测器和滤波器估计航天器状态，对比实际遥测变量获取残差。自适应观测器可在线调节增益矩阵补偿未知时变参数；强跟踪滤波器适用于非线性时变随机系统；未知输入观测器解决随机干扰、建模误差等导致的误报问题。该方法适用于确定性条件，但复杂系统建模困难，易受不确定性影响。

基于信号处理的诊断利用系统输出与故障源之间的关联关系（幅值、相位、频率、相关性）来定位故障。小波分析通过对运维数据信号的空间和频域局部变换，提取不同频率特征信息识别故障；经验模态分解根据数据自身时间尺度特征进行信号分解，无需预设基函数。该类技术原理简单、操作性强、实时性好，但高度依赖于数据质量，对潜在故障的精确诊断存在局限。

基于人工智能的诊断融合模糊逻辑、因果模型、专家规则构建诊断模型。知识和神经网络方法将故障向量作为输入、诊断结果作为输出，实现特征空间到诊断空间的映射；定性模型方法通过系统结构、行为或功能的模型预测正常行为，对比实际运行状态识别异常；数据挖掘方法通过分析海量历史数据挖掘潜在演化规律和故障模式特点。深度学习技术通过优异特征学习能力更本质地刻画运维数据。

Livingstone系统利用系统行为和内部结构模型（组件连接模型、转换模型和行为模型）实现故障诊断，结合冲突指向搜索和快速命题推理算法，实现了快速搜索和推理。L2版本包括通用推理机（GDE）和定性模型两部分，已成功应用于“深空一号”、“X-37”和“Earth Observing One”等航天器，使航天器具备了自主故障诊断与系统重构能力。

中国在航天器故障诊断方面起步相对较晚，但已取得重要突破。SCRDES实时故障诊断专家系统通过总结原理性、结构性知识和专家经验，采用深、浅层知识混合模型，实现了GNC分系统闭环特性的有效动态表达。可诊断性与可重构性理论（文献[101]、[105]）从系统设计之初就进行可诊断性研究，量化表征系统故障诊断与重构能力的本质属性，改变了传统仅关注后端算法的设计理念，是从根本上提升自主能力的重要手段。

文献[140]提出序列数据-图像映射智能诊断方法，将高维序列数据转换为灰度图像，采用CNN和LSTM分别诊断；文献[143]引入改进粒子群算法优化CNN网络；文献[144]在贝叶斯框架内集成自动编码器实现早期检测和定位。未来方向包括迁移学习、联邦学习、生成式AI与机理模型融合等。