近年来伴随着空间态势感知技术的快速发展,空间信息呈爆炸式增长,各种空间测量系统提供的多源异构信息为空间态势感知的发展带来了巨大挑战。同时,以数据挖掘和深度学习为代表的人工智能技术迅速崛起,为空间信息技术的快速发展带来希望。如何利用图像数据对空间目标进行识别与位姿估计,成为了国内外近年的研究热点。然而,该研究主要困难在于:第一,目前空间目标识别与位姿估计主要依赖于传统的图像处理算法和几何优化算法,存在语义鸿沟和算法泛化性受限的问题;第二,由于空间目标复杂的成像环境等诸多因素造成可获取的有效数据受限,如样本量少、无法获知某些目标的合作标志物(如光学靶标),从而无法准确掌握其具体姿态信息。为解决上述难题,本论文研究并实现了基于深度学习的空间目标小样本识别与位姿估计算法。首先,本论文提出基于迁移学习的空间目标小样本识别算法。该算法主要由端到端的深度模型实现,具体包括深度嵌入模块和度量模块。由于空间目标识别实际上属于细粒度识别,具有类内方差大、类间差异小的特点,为此依据类内紧凑原则,利用中心损失与分类损失联合监督深度嵌入模块,并对二者的平衡因子进行了探究,使得模型可以学到有“辨识性”的深度特征。另外,在最近邻度量模块,为防止空间目标背景噪声干扰,将全局池化描述子融合到每个局部描述子,提高了模型的鲁棒性。实验结果表明,本论文提出的算法优于传统空间目标识别算法和目前主流小样本识别算法,并在空间目标BUAA数据集上比最新的小样本识别算法DN4识别准确率高出2.35%。接下来,本论文提出了基于关键点检测的单目空间目标位姿估计算法,主要流程包括:位姿信息到二维图像映射、空间目标检测、关键点检测和Pn P几何算法。由于拍摄距离的不同造成获取的空间目标存在尺度差异,对此在空间目标检测阶段采用高分辨率、多尺度预测网络来代替经典的特征金字塔网络。对于关键点检测模型,着重解决由于位姿变化而造成的关键点被遮挡问题,通过高分辨率网络与在线难点挖掘算法的结合,使得模型重点“关注”被遮挡的“困难点”;且在高分辨率网络特征融合阶段加入空洞卷积来提高特征图的感受野,更好地利用全局信息来推断被遮挡的关键点信息。实验结果表明,本论文提出的算法可以降低位姿估计的错误率,与最新提出的空间目标位姿估计模型ESA Network相比,在speed数据集上错误率低出1.68%。本论文研究并实现的空间目标小样本识别算法和位姿估计算法可于空间态势感知,具体可应用于检测、追踪识别感兴趣的空间目标(如空间站、卫星、运载火箭以及空间碎片等)以及目标逼近任务(如航天器对接与通信、碎片清除),对未来的空间在轨服务具有重要的理论意义和实用价值。