激光雷达测量技术是在上个世纪中叶逐渐发展起来的一种先进的测量技术。激光雷达根据雷达组成配件的不同,可以分为机械式激光雷达和MEMS（微机电系统）激光雷达系统。无论哪种测量系统,原理上都是通过发射高重复频率的激光脉冲和捕获返回信号,来获得被测目标的位置信息。MEMS激光雷达技术,采取巧妙的方式集成了传统激光雷达的零部件,使得机器更加紧凑,具有低成本、易量产、轻量级等优势,便于搭载于高精精密设备中,具有很高应用价值。目标物体的识别和检测是现阶段人工智能研究的极为热门的方向之一,目前已广泛应用于自动驾驶导航、智能视频监控等领域。在这些领域内,借助计算机视觉技术来减少人工成本的消耗有着极为广阔的应用前景。目标检测算法主要有算法及相应的神经网络组成,故对算法和神经网络的优化引起了学者和技术人员的关注。本文主要研究的问题有:航天器轨道上的隐藏目标节点测量以及航天器目标识别,论文的主要工作和成果如下:1.为发掘航天器行驶轨迹中的隐藏节点,根据其特征进行准确测量,提出一种基于MEMS激光雷达测量技术的航天器隐藏目标点测量方法。在激光测量过程中,采用离散雷达滤波器采集上位数据,得到雷达测量性能指标,促进指向性测量系数的适度下降。在此基础上,借助航天器目标的运动特性条件,估计特征值的最大似然量,再联合相关测量指标,建立航天器目标的特征模型,对目标点微动频率的下降趋势进行抑制。根据隐藏目标的立体视觉处理结果,选择最适合MEMS激光雷达的测量点,并在此基础上,测算航天器隐藏目标的比例情况,完成MEMS激光雷达测量下航天器隐藏目标点测量方法的建立。应用MEMS激光雷达测量技术,使目标点微动频率提升、指向性测量系数下降,隐藏目标节点得到有效测量。2.为了进一步提高太空中对航天器目标的识别能力,提出一种基于Darknet框架的YOLOv3（You Only Live Once算法的第三代版本）航天器模型目标检测算法。在YOLOv3算法下,可以根据系统训练成果与目标特征,改进YOLOv3网络模型,进而提出了更为适合航天器模型检测的YOLOV3-satellite网络模型。首先,我们改进了原先的Darknet53网络结构,以提高对航天器数据集检测时的精确度;其次,我们使用航天器特有的特征信息分析选择出更合适的锚框;最后,通过采用DIoU边框回归函数,弥补了计算代价函数时对图片中心不敏感的问题。为验证检测方法的有效性和完备性,在航天器数据集上对YOLOv3-satellite进行了验证对比分析。