视觉测量技术广泛应用于工业制造和航天领域,本文对空间非合作目标近距离高精度位姿测量技术中的关键算法进行深入研究,主要内容及创新点如下:针对相机标定技术中内外参数优化问题,本文提出了一种基于指数增长更新阻尼系数的非线性优化算法。通过设计多重阈值进行优化判定,解决了传统优化算法迭代次数多的缺点。实验结果证明所提算法用于单、双目相机标定得到的最终结果更加鲁棒且精度更高。针对高精度双目标定技术中结构参数初值求解及非线性优化问题,本文提出了一种基于奇异值分解和非线性优化的双目标定算法。首先基于多阈值随机采样算法计算出高精度基础矩阵和本征矩阵。然后通过在范数格式下优化矩阵迹构造出一个新矩阵,通过对新矩阵进行奇异值分解,得到双目相机之间结构参数初值,并设计更加简单的方法剔除错误解。最后利用基于指数增长更新阻尼系数的非线性优化算法对标定初值进行优化,采用简化残差函数降低雅克比矩阵的计算复杂度。最终结果可在测量误差和对极约束误差之间取得平衡,避免了传统标定算法中存在的过拟合问题。实验证明本文的算法比广泛使用的Hartley、Bouguet算法及传统非线性最小二乘拟合算法得出的标定结果更加鲁棒且精度更高。针对非合作目标双目视觉和激光雷达联合测量需求,本文提出了一种利用立体球型靶标实现激光雷达和双目相机联合标定的算法。把激光雷达假设成一个给定内参的相机,将点云之间的三维配准问题转化为基于奇异值分解和非线性优化的双目标定问题。该算法用于两组测量设备之间点云的融合,可快速得到目标更加稠密的三维信息。与点云配准中的后融合技术相比,本文的算法属于先融合手段,具有计算量小,处理速度快等明显优势。将本文提出的优化算法用于单目标定,得到的重投影误差小于0.13像素,并实现对道路裂缝宽度高精度测量,平均测量误差小于1.5毫米。相比莱文伯格-马夸特非线性优化算法(L-M),该算法迭代次数减少了33%;相比传统非线性最小二乘拟合算法,该算法用于单目标定精度提升了1.96%。本文采用基于特征匹配和像素匹配相结合的方法,实现非合作目标的远距离位姿估计和近距离高精度位姿测量及稠密三维重建。针对航空航天的实际应用需求,设计了一种椭圆标志中心亚像素坐标提取方法。测量实验验证了算法的高精度和可行性。通过和高精度旋转台数据对比,本文算法可实现1米处目标长度测量误差小于1毫米;角度测量误差小于0.3度。将本文提出的激光雷达和双目相机标定算法用于两组测量设备之间点云的融合,实验结果表明该算法可实现1米处点云融合平均误差小于1厘米,20米处点云融合平均误差小于4.5厘米。