空间目标位姿估计作为空间目标感知的一项基本任务,对于在轨服务、目标回收等太空任务起到重要作用。目前被广泛采用的空间目标位姿估计方法是基于特定几何纹理的靶标法,但是其需要较丰富几何纹理信息,实际工程应用范围并不广阔。随着人工智能热潮到来,深度学习方法开始渗透到各大领域,位姿估计任务中也开始广泛使用深度学习方法。本课题基于深度学习方法对空间目标位姿估计任务进行了研究,从数据集建立、数据预处理与数据增强、深度学习位姿估计方法等方面研究解决了深度学习用于空间目标位姿估计中的难题,并进行了实验验证。在空间目标数据集建立研究上,设计了基于虚拟仿真环境的位姿估计数据集生成工具,构建了太空基本光照条件,解决了太空目标位姿数据集难以建立的困难,并设计了自动采集位姿数据功能,解决了手动采集标记的麻烦。在数据增强和数据预处理研究上,探索了适用于RGBD图像和位姿估计任务的数据预处理方法和数据增强手段,数据预处理上提出一维去离群点算法,数据增强上设置了HSV随机增强和高斯噪音等图像增强手段,提出了适用于RGBD图像的位姿增强方法。在深度学习模型上,基于现有模型设计了三阶段位姿估计模型,布置了颜色和几何信息像素级双向融合阶段,充分利用了RGBD数据中颜色信息和几何信息,促进模型获取到优异性能,同时找到了适合模型的优化器和学习率调整器,促使模型稳定收敛。验证与对照实验研究过程中,在所建立空间目标虚拟数据集下,验证了数据预处理和数据增强对于模型性能提升的效果,通过设置靶标法作为对照组,对比得出深度学习方法相对于靶标法具备显著优势。