随着航天技术的发展,地球有限的轨道资源愈发紧张,正确分类识别非合作目标对空间碎片清除、卫星在轨服务乃至航天器交会对接等任务均具有重要意义。目标自旋、进动或振动等微动引起的微多普勒频移是物体独一无二的一种身份特征,探测目标微动特征以进行分类及姿态识别是目前在非合作目标测量领域常用的有效手段。此外,近年来研究火热的深度学习技术在图像分类识别工作中表现出了巨大潜力,这也为非合作目标测量提供了一种新思路。鉴于此,本文从微多普勒效应理论出发,以激光相干探测为检测手段,并结合深度学习技术的优势特点,通过对所设计模型仿真计算和实验验证,提出了一种高正确率的非合作目标形态分类和姿态角识别方法。本文首先对微多普勒效应、激光相干探测以及短时傅里叶变换相关理论进行介绍,并以点散射微多普勒回波模型为基础建立了适用于激光探测的面散射模型。同时以卫星、火箭残骸及太空碎片等非合作目标为参考,设定立方体、圆锥和椭球作为被测自旋目标进行回波信号仿真,且对不同姿态角情况下的回波信号进行仿真分析,并通过短时傅里叶变换这一时频分析方法获得回波时频谱图作为目标分类的基础数据源。然后对深度学习基本原理进行介绍,并参考图像分类效果良好的Res Net搭建32层的深度卷积神经网络。与此同时根据仿真结果制作数据集,为保证数据量足够且图片尺寸满足网络需求,本文采用一种滑窗裁剪方式对源数据进行处理,进而获得长度为1.39518×10~5的目标分类数据集和姿态角识别数据集,其中前者类别数为3后者为46。最终对目标分类数据集训练1轮达到98.79%的测试正确率,对于姿态角识别数据集训练7轮后测试正确率基本稳定于100%。此外,本文针对含噪声数据集也进行了模型训练与测试,测试正确率也基本趋于100%,所提方法表现出了良好的抗噪能力。最后基于微多普勒效应搭建激光相干探测实验平台,并使用3D打印技术制作立方体、圆锥和椭球目标进行实验。根据实验结果再次制作目标分类数据集和姿态角识别数据集。与仿真数据集类似,实验数据集经10轮训练基本达到100%测试正确率,证明了基于深度学习的非合作目标分类识别方法有效且可行。