随着航天技术的高速发展,在轨服务任务也日趋多样化和复杂化。通过服务航天器对目标进行有效姿态接管操控是后续在轨加注、在轨维修、碎片清除等任务的基础。对于传统的合作目标的接管控制技术已十分成熟,并已实现了在轨应用。但针对结构复杂、质量特性未知、姿态机动能力不明的空间非合作目标的接管操控问题,往往面临着目标信息不完全以及精确辨识困难等诸多挑战。本论文致力于解决在轨服务航天器捕获目标后的组合体航天器姿态接管控制问题,探索复杂任务场景下的组合体状态响应机理,突破传统的基于模型辨识的姿态控制理论,开展数据驱动的组合体航天器建模与姿态接管控制方法。本文立足于空间在轨操控任务背景,紧密围绕组合体航天器数据驱动建模与控制问题,旨在构建新型的具有工程价值的在轨操控系统,增强在轨操控任务实施的通用性、自主性、鲁棒性和可靠性,提升空间智能感知与学习控制能力。具体内容如下:针对模型完全未知的组合体航天器姿态接管控制问题,首先综合考虑任务需求及组合体自身安全、运动包络、控制能力等诸多约束条件,提出了一种基于卷积神经网络的组合体航天器可控性预测方法,以构建通用、普适的组合体接管风险评价机制。进一步地,提出了一种新型的基于在线策略迭代Q-学习的姿态跟踪控制算法,直接从组合体系统的输入/输出数据中自主学习控制策略,既避免了在轨辨识又无需对模型形式作出任何假设,并在理论上证明了值函数和控制策略的迭代序列的单调性、收敛性和最优性。同时,为适用于在轨场景,采用了离策略学习方法实现策略迭代并构建具有神经网络结构的最优Q-值函数逼近器,保证了组合体航天器在轨学习任务的安全性。针对考虑先验模型的组合体航天器姿态接管控制问题,首先提出了一种高斯过程回归方法的数据驱动姿态接管控制策略,并证明了系统状态概率意义上的Lyapunov稳定性和有界性。进而,考虑到在轨任务的实时性、强机动性、星载计算机的计算资源有限等因素,提出了一种基于稀疏在线高斯过程的组合体航天器姿态接管控制策略,充分利用在轨数据实现对数据驱动模型的增量式更新,提高控制算法的动态性能和稳态精度并显著减轻学习算法的计算压力。该算法对测量噪声、外界干扰、目标主动姿态机动具有较强的鲁棒性,可有效支撑对新任务的快速、高效在线自适应处理。针对考虑实际在轨操控任务中安全约束的组合体航天器姿态接管控制问题,首先,分别给出并分析了模型精确已知情况下采用线性和非线性预测模型的组合体姿态接管模型预测控制算法。其次,提出了一种基于变分推理的稀疏在线高斯过程模型预测控制方法,以实现多种安全约束条件和目标姿态机动情况下组合体的有效姿态接管,其中,设计了一种新型的稀疏在线高斯过程回归更新算法,以自适应地处理在轨任务中的时变和突变场景。进一步地,提出了一种基于长-短期“对偶高斯过程”的模型预测控制方法,该方法受生物学中“记忆学习”的概念启发得到,使得系统具备对历史任务数据的记忆能力,既能对未知新任务进行快速高效地处理,也能在历史任务中获得更好的动态响应和稳态精度,可满足未来复杂航天任务要求。论文基于所建立的仿真平台,对组合体航天器姿态接管控制任务进行了充分的数值仿真与结果分析,验证了本文控制方法的有效性与实用价值。