随着对外太空的探索步伐不断前进,航天飞行器发射的数量不断增加,但同时由于使用寿命的结束或长时间工作使得越来越多的航天飞行器报废滞留在轨道中,时刻威胁着其他正常运作的航天飞行器。航天飞行器在太空中的任务主要包括在轨维修,交互对接和打捞太空垃圾等,而这些任务的前提是需要识别出目标物体并知道确切的位姿信息以进行后续的操作。对于多种多样的航天飞行器的外形,识别位置一般是太阳能板、对接环和喷嘴等典型结构,这些部件都是矩形或圆形的特征,通常采用基于图像的方法识别这类简单的几何形状。但是太空环境中光照条件比较复杂,所以需要对光照不敏感的传感器获取目标物体的信息,而深度相机或激光雷达等传感器不依赖光照条件并且可以直接获取物体表面的三维点的坐标,成为了近几年研究的热点。本文以航天飞行器为研究对象,对国内外航天飞行器的测量方法进行介绍,瞄准在轨运行过程中识别与位姿估计问题,针对点云的深度神经网络识别框架、关键点提取与描述和配准方法展开研究,具体内容如下所示:首先,为了可以更好地储存和搜索点云数据,研究了Kdtree和Octree的数据结构,并分析各自的半径搜索和最近邻搜索方法的区别和效率,通过实验进行比较和分析原因。点云数据采集的过程中常伴有噪声,并且激光雷达所获取的数据量通常能达到百万级别,为了后续的算法的高效运行需要离群点去除和点云降采样等预处理操作来优化算法流程。其次,由于三维点云的无序性即使是同样的点云数据也会有不同的排列组合方式。根据点云数据的特点研究适合三维点的神经深度网络,并介绍Point Net++的网络结构,在此基础上附上点云数据中重要的几何结构法向量,利用已有的航天飞行器的三维模型制作数据集训练神经网络结构。再次,点云配准需要良好的初始位姿,基于关键点描述配准的方法可以提供良好出初始位姿信息。由于设备的缺陷以及客观因素,即使是平面物体的点云数据也不会绝对平坦,有可能在平面上产生凸起部分,进而在关键点提取过程中会提取到这些在平面上的点,这对关键点描述是不利的。为了解决这一问题提出基于法向量直方图的关键点提取方法,根据与邻域点的法向量夹角信息,减少在平面上提取关键点,并通过数据集和其他常用的关键点提取算法进行比较。对于随机采样一致性的初始配准算法,通过多边形几何约束的条件来剔除配准过程中的错误匹配点进而提高配准效率。最后,根据整个算法流程搭建软硬件实验平台,根据目标模拟器的精准控制得到航天飞行器移动前后的位置和姿态的准确值,并且通过算法得到计算值与之进行比较并分析误差产生的可能原因。