霍尔推力器是我国航天推进领域主要发展的一种电推进类型。其羽流等离子体参数的诊断方法十分丰富。基于深度学习技术的图像法作为一种羽流图像诊断方法具有快速、可靠的特点。本文首先通过实验和模拟结合的方法对霍尔推力器稳态等离子体诊断数据处理方法进行了研究。阐述了实验中使用的神经网络结构和特点,给出了羽流探针诊断数据的处理方法,及其在应用深度学习技术时需要做出的调整。给出了针对等离子体诊断任务合适的羽流图像预处理方法。使用随机裁剪和随机缩放的方法增大了图像数据集。使用增加随机噪声的方法增大了探针数据集。建立了用于神经网络训练的图像-等离子体参数数据集。通过实验和仿真的方法研究了基于深度学习技术等离子体诊断模型拟合效果的各种影响因素。使用搭建的深层卷积神经网络用于霍尔推力器稳态等离子体诊断。分析了不同网络的训练速度和性能表现。研究了变工况霍尔推力器的羽流云图变化规律,其结果与以往的实验结果基本一致。证明了模型的可靠性。然后,通过实验研究了不同拍摄角度和拍摄距离对网络模型计算结果造成的误差。结果显示拍摄距离的变化对电子温度和离子密度的影响趋势是相同的。存在偏移角度时,模型计算的离子密度都有较明显的增大,在径向位置处于±4mm区域偏差最大,在环形通道出口处偏差较小,而电子温度在不同拍摄角度下都有所减小,在径向±4mm区域内下降较明显,在环形通道出口处变化不大。拍摄距离增大时计算的电子温度和离子密度整体上都有所增加,随拍摄距离减小变小。通过实验对比分析了不同干扰光强度下推力器的径向和轴向等离子体参数误差变化。结果发现,模型计算的等离子体参数会随干扰光的增强而增大。在径向位置±4mm范围内变化较小,通道出口范围内变化较大。而轴向电子温度的计算值会发生波动,离子密度计算值会偏大。最后,提出了一种基于图像研究霍尔推力器放电特性的方法。使用图像法分析了熄火过程中推力器内旋转辐条的变化规律。实验发现霍尔推力器在熄火时放电通道内出现了旋转辐条,整个熄火过程持续约2.5ms。熄火时辐条的旋转速度也是线性衰减的,这与熄火过程中推力器的放电电压变化一致。并拓展图像法应用到根据羽流图像进行霍尔推力器推力测量。神经网络模型在计算霍尔推力器推力任务上表现良好,误差小于10%。结果表明在特定工况下使用图像法对羽流进行推力测算具有一定的准确性和可靠性。