刚体目标的姿态估计是当前计算机视觉方向的热点技术之一,其目的是通过图像确定刚体目标相对于相机的平移和旋转共六个自由度运动,即6D姿态。姿态估计在机器人技术、航天卫星对接、卫星捕获、自动驾驶、虚拟现实等众多领域都有着广泛的应用前景。基于学习的姿态估计技术凭借快速的运算效率以及良好的估计准确率逐渐取代了依靠人工设计特征的传统姿态估计方法。使用RGB-D数据的算法受限于RGB-D数据获取设备的局限性,难以在工程上大量应用。相比之下使用单RGB图像的算法具有对环境不敏感、视场范围大、运算效率高、造价低等诸多优点,更加适合工程应用。在单RGB图像的算法中,利用关键点对应的两阶段算法有着良好的易用性和优秀的精确性被广泛研究。但是当物体的摆放杂乱或物体被环境中其他物体遮挡时,使用单RGB图像利用关键点对应进行目标姿态估计会极具挑战性。因此本文围绕使用单RGB图像应用关键点对应法对目标进行姿态估计的问题进行研究,主要研究工作如下:1、在使用热图预测关键点的方法中,为了提升热图回归网络对图像特征的提取能力,本文利用HRNet的多层特征融合的特点构造热图回归网络。同时为了提升预测关键点的准确性与鲁棒性,提出适用于热图回归的损失函数Heatmap Wing Loss,该损失函数针对热图的前景像素的损失函数梯度更大,可以使网络更加关注图像的前景像素,使热图回归更加准确。以新的热图回归网络为基础,构建两阶段的目标姿态估计算法。经实验验证,本文目标姿态估计算法在LINEMOD和Occasion LINEMOD数据集上的ADD（-S）准确率分别达到了 89.7%和40.8%,优于近期其他算法。并且算法最快能以25fps的速率运行,兼顾性能与速度。2、针对之前提出的算法在遮挡目标姿态估计问题上易产生大误差导致稳定性不高的问题,本文结合了端到端算法的特点,在热图回归网络中增加平移分量回归支路。同时基于热图的非线性优化方式,结合关键点与平移分量,共同计算目标姿态。经实验验证,在Occasion LINEMOD数据集上,改进算法相比于原始算法在ADD（-S）准确率上提升了 5.5%,并且可以有效的减小错误估计的偏差,保持算法的稳定性。3、在前文提出的基于关键点定位姿态估计算法的基础上,针对航天图片的非合作卫星目标进行姿态估计研究。本文首先训练yolo-v5目标检测网络对航天图像中的卫星目标进行检测提取。然后针对航天图像噪声高特征不明显的特点,改进前文的热图回归网络,在网络中增加CBAM注意力模块提高热图回归网络对图像全局特征的感知能力,并使用改进的热图回归网络对卫星图像块进行关键点定位。最后使用基于热图的非线性优化方法完成卫星目标姿态计算。最终非合作卫星姿态估计算法在Kelvins姿态估计挑战赛中得到了 0.0193分,排在所有算法的第四位。