空间非合作目标的信息获取问题在空间对抗、在轨维护等领域都具有很高的研究价值,探索非合作目标的识别方法也是维护国家空天安全的客观需要,因此对空间非合作目标姿态识别方案的研究具有重要意义。本文将通过深度学习方法,运用Tensor Flow架构,实现一种基于视觉图像的姿态信息识别算法。本文设计一套功能比较完备的空间非合作目标识别算法,实现输入一张带有卫星图像的灰度图片数据,输出卫星姿态角;或输入一系列连续拍摄的图像数据,输出卫星角速度矢量的功能。首先,带有卫星图像信息的照片,自动通过MSER等图像数据预处理的算法,进行分割、拉伸、灰度标准话,得到299×299像素的标准灰度图片。再经由卷积神经网络,识别生成卫星的姿态角信息。还可以通过输入一系列连续的带有时间戳的图像数据,分别经卷积神经网络获取姿态角数据,再通过回归分析自动求取卫星的旋转角速度信息。此外,本文还研究了对比训练卷积神经网络时,不同优化器结构对网络性能及收敛性的影响,并通过实验找到了适用于本课题模型的优化器和学习率,设计了适用于卫星姿态识别的Loss函数。通过Tensor Flow架构设计并实现了具有42层深度的Inception V3卷积神经网络,它首先是5个卷积层和2个池化层交替的普通结构,连接3个Inception模块组,每个模块组内包含多个结构类似的Inception Module。在达到较高层数时,减小了参数量,加快了训练效率,缩短了开发周期。在数据的收集方面,运用3DMax软件建立模拟卫星模型,获取训练集数据并进行批量标注,生成含有17000张图片样本的数据集,供卷积神经网络训练之用。在通过设置随机的亮度和对比度、增加随机噪声、以及对数据进行标准化等操作进行数据增强,相当于成倍扩大用于网络训练的数据集样本数。本文对提出的算法进行了实验,经验证,本文的算法空间非合作目标的识别中切实可行有效。