非合作目标交会与接近技术已广泛应用于在轨维修、在轨组装、燃料加注、碎片清理等空间监测与服务,然而人或地面站在回路的人工控制方式存在任务成本高、效率低等缺点,基于相对制导方法的自主控制方式又普遍缺少人工控制的灵活性,严重制约其在高效且日益复杂空间任务中的应用。因此,本文以航天器自主控制为背景,开展对非合作交会与接近技术的研究。针对非合作目标器无法主动提供位姿信息的问题,提出一种基于深度学习的位姿估计方法。首先利用YOLOv5s对非合作目标器进行目标检测,然后利用带有空间通道挤压激励模块的轻量化HRNet完成位姿估计工作。在公开数据集上的实验结果表明,相比于其他先进方法,所提出的位姿估计方法大幅降低了模型复杂度和计算量,取得了更好的估计结果。针对基于相对制导的自主控制方法缺乏灵活性的问题,设计一种基于航天员控制模型的自主控制器。首先分析航天员手动交会与接近的操纵特性,然后利用自适应神经模糊推理系统（ANFIS）模拟航天员的感知、决策和执行过程,建立航天员控制模型作为自主控制器。仿真结果表明,利用减法聚类训练得到的ANFIS预测精度高,能有效地模拟航天员的控制过程。针对人工选取减法聚类参数过程复杂且存在不确定性因素等问题,提出一种基于Henon映射和纵横交叉算法的混合阿奎拉鹰优化算法（HAO）,并利用其自动寻优减法聚类参数。仿真结果表明,相比于其他先进算法,HAO的收敛精度更高、收敛速度更快、稳定性更强,可有效地搜寻减法聚类的最优参数,提高航天员控制模型的预测精度。