随着可回收火箭技术的逐步成熟,因故障和任务结束而被丢弃的卫星数量将大幅增加从而成为空间非合作目标,因此应用于空间捕获的非合作目标相对位姿测量技术将愈发重要。然而该技术中基于双目立体视觉理论的关键点检测及其双目匹配环节存在易受环境干扰的问题。针对这个问题,主要展开了以下研究:首先,初步分析了将非合作目标相对位姿测量与深度卷积神经网络(Deep Convolution Neural Network,DCNN)相结合以完成课题研究的可能性,以此确定研究思路。之后分别对识别对象、双目立体视觉子系统以及相对位姿真值计算子系统建立了数学模型,用于后续的理论研究及实验平台的搭建。其次,重点研究了以DCNN为核心的非合作目标关键点检测算法。将具有代表性的某型号卫星模型视为非合作目标实验对象,太阳帆板及其三角支架作为识别对象,并针对其结构特点开发了关键点标注软件,对存在各种干扰的实际环境中采集的识别对象数据进行标注,以生成数据集并用于DCNN模型的训练。之后分别使用不同算法对DCNN模型输出的两类信息进行分析,最终获得关键点坐标及其与识别对象的隶属关系,完成关键点检测。最后与传统特征提取算法进行实验对比与分析。然后,着重对与上述关键点检测算法相适应的相对位姿测量算法进行研究。提出了通过对识别对象匹配从而间接完成其关键点双目匹配的算法。之后利用双目立体视觉原理对检测并匹配的关键点进行三维重建。然后分别从近距离、中远距离两种情况对相对位姿测量理论进行推导,并与传统特征匹配算法做实验对比与分析。最后,将上述算法应用到自主搭建的基于DCNN的空间非合作目标相对位姿测量系统实验平台上。自主搭建的实验平台包括双目立体视觉、相对位姿真值计算以及深度学习计算机三个子系统,并给出了算法整体流程、子系统的组成、功能及其联系。基于此平台完成两个综合实验,以分析将本文算法用于非合作目标相对位姿测量的可行性,验证该算法对背景、光照以及遮挡等干扰具有较强鲁棒性的特点。