因非接触、传感器体积小、功耗低、信息丰富等优势,伴随着深度学习技术在计算机视觉领域的稳步发展、以及在物体识别、实景分割、场景分类等实际工程任务中的广泛应用,基于深度学习的非合作航天器单目视觉相对位姿测量方法,以其在航天器交会对接、航天器在轨维护、以及太空垃圾清除等领域的广泛的应用场景,成为了航天器相对位姿测量任务中的重要选择方案之一。本文以非合作航天器作为研究对象,采用单目视觉测量的方式,以RGB相机所拍摄的图片作为输入,利用神经网络辅助以Pn P算法,实现了对非合作航天器间的相对位姿的求解。针对非合作航天器图像中,目标尺度变化大、图像背景(云层等)复杂等问题。参考VGG和Dense Net网络设计了一种双通道的神经网络。首先,以VGG网络结构为蓝本,将网络人为地拆解为上下两路通道,分别用以表征图像中粗细两种粒度地特征。而后,参考Dense Net网络的设计思路,将上下两通路间输出、同一通路中不同卷积神经网络模块输出、以及原始图像所对应的张量进行合并操作形成复合张量,作为残差神经网络的输入,用以识别目标非合作航天器上的定位特征点在图像中对应的像素,并给出其对应的像素坐标。针对非合作航天器相对位姿测量中的计算实时性要求,考虑到神经网络参数多、计算量大的问题,提出了神经网络的剪枝方法,实现网络的轻量化。通过计算卷积神经网络输出的特征张量中元素的偏微分,并对同一通道中的元素偏微分的绝对值取算数平均,按照算数平均值由小到大的顺序对网络进行人为删减。为了提升方案整体求解的相对位姿的精度。利用Pn P算法实现了以神经网络输出的目标非合作航天器上特征点在图像中的像素坐标为输入,以目标非合作航天器本体坐标系相对于观察卫星星上相机坐标系的相对位姿为输出的求解方法。利用计算得出相对位姿同实际相对位姿构建新的目标函数,在保持神经网络结构不变的前提下,对神经网络进行再优化训练,提升了方案整体输出的相对位姿的精度。