随着太空任务的不断拓展,因燃料耗尽或系统故障等原因造成的失控航天器日益增多,采用空间机器人捕获失控航天器并进行维修的在轨服务技术受到了国内外研究人员的广泛关注。在捕获目标过程中,空间机器人与目标构成的组合体的惯量矩阵相对于捕获开始前的空间机器人本体发生了较大变化,这可能导致空间机器人无法有效控制抓捕过程中整个组合体的姿态。因此,对空间组合体惯量矩阵进行精确地辨识,具有非常重要的意义。对于空间组合体惯量矩阵辨识问题的研究可分为两种情况,一种是辨识构型固定的空间组合体惯量矩阵,这种情况属于定常系统参数辨识问题;另一种是从整个捕获过程的角度来辨识变化中的空间组合体惯量矩阵,则属于时变系统参数辨识问题。本文将同时对以上两种情况的组合体惯量矩阵辨识问题进行深入地分析与研究。另外,在实际执行辨识任务时还会面临一些难题,例如:对组合体惯量矩阵辨识的准确程度十分依赖于所测角速度的精度,而在某些干扰条件下角速度测量值中可能存在非常复杂的测量噪声;在处理实时辨识任务时,其惯量矩阵在随时间平滑变化的同时,也会在目标被捕获的瞬间发生不可预测的突变。这些问题都进一步地增加了精确辨识组合体惯量矩阵的难度。鉴于此,本文将人工智能技术中的深度学习（Deep Learning）方法应用到惯量矩阵辨识研究中,分别从定常系统与时变系统的角度,开展了空间组合体角速度测量数据中存在复杂测量噪声、捕获目标过程中组合体惯量矩阵随时间变化且存在突变情况下的惯量矩阵辨识方法研究。主要内容如下:（1）开展了空间组合体定常惯量矩阵在轨辨识方法的研究。为提高复杂测量噪声环境下对构型固定的空间组合体惯量矩阵的辨识性能,提出了一种基于深度学习的定常惯量矩阵辨识方法。首先建立了空间机器人捕获目标后组成的构型固定的空间组合体姿态动力学模型。根据该动力学模型,采用域随机化（Domain Randomization）方法生成空间组合体角速度、控制力矩和相应的惯量矩阵等数据,以模拟实际测量数据构建训练集和测试集。然后构建深度神经网络（Deep Neural Network,DNN）,并利用训练集和设计的训练策略对其进行训练。最后,在两组具有不同测量噪声量级的测试集上测试了深度神经网络的辨识效果,并与递推最小二乘（Recursive Least Squares,RLS）辨识方法和采用传统训练策略训练的传统DNN进行了比较。（2）开展了基于集成深度学习（Ensemble Deep Learning）的空间组合体定常惯量矩阵在轨辨识方法的研究。由于单个DNN在采用梯度下降方法进行训练时会陷入到不同的局部最优解,从而导致训练后的DNN对参数辨识的性能不够稳定。针对上述问题,提出了一种基于最小二乘的集成深度学习方法,实现了对复杂测量噪声环境下空间组合体惯量矩阵的高精度辨识。该方法首先构造单个DNN作为集成深度学习的个体学习器（Individual Learner）。采用注入随机性（Injecting Randomness）方法获得一定数量的个体学习器后,将所有个体学习器的输出用六个线性回归函数进行集成,并基于训练数据利用最小二乘法来自动确定这些线性回归函数的最优回归系数。最后使用两组具有不同测量噪声量级的测试集对该方法的辨识性能进行了测试,并与已有的RLS辨识方法、单个DNN模型、平均集成深度学习等方法进行了比较。仿真结果表明,所提出的基于最小二乘的集成深度学习方法在辨识精度与稳定性上具有明显的优势。（3）开展了空间机器人捕获目标过程中组合体时变惯量矩阵在轨辨识方法的研究。针对空间机器人捕获目标过程组合体惯量矩阵会随时间变化且在目标被捕获瞬间发生突变情况下的参数辨识问题,提出了一种基于长短期记忆（Long Short-Term Memory,LSTM）的惯量矩阵实时辨识方法。首先根据目标捕获前后的两个阶段,分别构建空间机器人与空间组合体的动力学模型。然后根据该动力学模型结合域随机化方法获取足量数据用于训练与测试。并利用训练集和设计好的训练策略对由LSTM网络与多层全连接网络组成的深度参数辨识网络进行训练。最后使用一组测试数据测试了网络的辨识效果。仿真结果表明,该方法能够实现对组合体时变惯量矩阵的精确辨识。（4）以刚体姿态动力学的轴对称情况为切入点,开展了DNN执行参数辨识任务时的运作机制分析工作,并进而提出了一种快速构建DNN的参数生成方法。从DNN内部隐藏层的角度出发,分析了其在进行参数辨识任务时的运作机制。在对DNN各隐藏层进行分析时,以刚体姿态动力学为例,揭示了DNN各隐藏层参数与其输入之间的一些统计关系,并在阻尼谐振子和阻尼摆系统参数辨识问题上对这些统计关系进行了进一步验证。通过模仿这些统计关系提出了一种快速构建DNN的参数生成方法,最后利用测试集验证了该方法的高效性。