针对极端环境下的大型望远镜会面临各种无法提前预测的故障和异常情况，提出一种基于优化扩展孤立森林（extended isolation forest，简称EIF）的非预期故障诊断方法。首先，通过特征选择算法ReliefF和最大相关最小冗余（maximum relevance and minimum redundancy，简称mRMR）算法对原始数据集进行特征优选；其次，采用蜣螂优化算法（dung beetle optimizer，简称DBO）为EIF算法选择合适参数，构建最佳故障诊断模型；最后，将该模型应用于大型望远镜非预期故障诊断。结果表明：DBO-EIF算法故障诊断准确率达到了98.7%，并在F1值、Kappa系数等性能指标上明显优于单类支持向量机（one-class support vector machine，简称OCSVM）、局部离群因子（local outlier factor，简称LOF）等传统异常检测算法。基于故障诊断及自愈半实物仿真平台证明了DBO-EIF算法在非预期故障诊断工程应用中的可行性，为保证大型望远镜驱动系统在极端环境下的可靠性和稳定性提供了一种有效的解决方案。