诸如航空航天、船舶等工业制造领域内的大型设备研制生产需要对各类大型构件进行三维测量。由于大型构件结构复杂、尺寸大,通常利用合作靶标辅助完成三维参量测量,测量过程中仪器需要瞄准布置在构件表面的靶标,通过获取靶标图像并对其进行位姿估计实现靶标瞄准。受测量环境影响,靶标图像通常发生离焦模糊退化,并且由于成像系统与其距离较远,也造成靶标在图像中的成像区域空间分辨率低,最终导致采集的靶标图像表现为低质量、低分辨率,现有的位姿估计方法对这类图像估计结果的稳定性与精度会严重退化,难以实现靶标准确瞄准。因此,研究针对低质量低分辨率靶标图像的鲁棒位姿估计方法,提高算法的稳定性与位姿估计精度,对实现合作靶标精确瞄准和大型构件三维参量精密测量具有重要意义与应用价值。本文在分析低质量低分辨率图像对位姿估计稳定性影响的基础上,提出了基于CAD模型的目标检测与图像复原方法,以及一种基于多特征融合的改进加权EPnP(weighted EPnP,wEPnP)位姿估计方法。首先,针对低质模糊图像会淹没目标边缘特征,降低特征提取与位姿估计的准确性的问题,利用目标CAD模型进行目标检测,有效分割目标区域,并基于CAD模型中的目标特征信息复原目标区域,有针对地增强目标的边缘特征,为特征提取提供准确可靠的数据来源。其次分析目标区域低分辨率对特征提取与位姿估计的影响,在EPnP求解过程中考虑特征点的可靠性,通过权值调节不同点的重要程度,降低特征提取误差对位姿估计稳定性及精度的影响,主要利用线、面特征衡量不同特征点的可靠性并确定权值,通过融合目标的点、直线和面特征实现wEPnP位姿估计。利用3D目标图像、低分辨率仿真图像以及靶标图像对所提方法进行实验验证,实验结果表明本文提出的基于CAD模型的目标检测与图像复原方法能够有效分割目标区域并增强目标边缘特征。低分辨率仿真图像位姿估计实验结果表明,wEPnP算法的鲁棒性更强,EPnP算法性能退化时,wEPnP算法仍能够有效估计目标位姿,且wEPnP算法对旋转矩阵和平移向量的估计误差相较于EPnP分别降低了 3.56%～4.47%及1.79%～2.30%。实际的3D靶标实验结果表明,本文所提基于CAD模型的目标检测与图像复原方法以及wEPnP位姿估计方法能够实现对低质量低分辨率靶标图像的位姿估计,可用于三维靶标高精度瞄准。