航天器的姿态估计在载人航空航天、空间站交会对接、太空碎片清理、航天器在轨服务、天体登陆等太空任务中具有广泛的应用。在众多航天器姿态估计方法中,非合作航天器的姿态估计方法因为对遮挡和光照的鲁棒性以及应用范围更加广泛而备受关注。本文提出两种基于神经网络的姿态估计方法,对非合作航天器的姿态估计有较高的估计精度以及对光照、遮挡有较好的鲁棒性。本文提出的第一种姿态估计方法是基于神经网络的端到端姿态估计算法。这种方法是把图像进行预处理后作为神经网络的输入,然后神经网络输出相应的姿态的初始预测值。根据姿态的初始预测值,使用最小化航天器CAD模型在图像中的投影轮廓的几何残差的算法优化图像中航天器的姿态参数,最终获得图像中航天器姿态的极大似然估计。在深空背景数据集的仿真实验中,该方法估计的姿态参数的平均相对位置误差为4.06%,平均欧拉角误差为10.85°,平均通过率达到73.16%。该实验结果说明本方法在深空背景条件下工作具有精度高,对光照和自遮挡鲁棒性好的特点。然而,当图像具有复杂的背景噪声时,这种方法的估计的姿态参数具有较大误差,其平均通过率仅有32.44%。因此在本文中我们提出第二种姿态估计方法,该方法能够有效解决上述问题。本文提出的第二种姿态估计方法是基于特征点匹配的姿态估计算法。这种方法首先在航天器外形上选取一系列空间点作为特征点,并为每个特征点生成一个描述子。然后根据不同的姿态标签获得空间点在图像中的投影点坐标,把投影点坐标及对应描述子作为该方法离线训练阶段的数据标签用于训练神经网络。在本方法的运行阶段,航天器图像输入到神经网络中,神经网络输出特征点的描述子以及特征点在图像中的位置。接着我们利用描述子建立空间点与图像特征点的匹配关系,根据匹配关系使用RANSAC和EPn P结合的方法求解航天器姿态。通过大量实验表明,这种方法在深空背景数据集和地球纹理数据集的姿态估计的平均通过率分别达到71.04%和77.64%。值得注意的是,在深空背景数据集中本方法获得的通过率与第一种方法相比差异不大,但是在地球纹理数据集中本方法的通过率与第一种方法相比得到了大幅度的提升。说明本方法既能够对具有背景噪声的航天器图像有较高的姿态估计精度,也能比较准确估计深空背景图像中的航天器姿态。本文的创新点为:（1）生成大量用于仿真实验的数据集,用于训练和评估姿态估计算法的性能;（2）设计标签归一化方法,用于解决端到端姿态估计中梯度不平衡问题,并且使用一种新的图像预处理方法,能够突出航天器的轮廓,提升姿态估计精度;（3）提出了两种神经网络框架,分别是端到端的姿态估计框架和特征点检测与匹配框架;（4）提出了一种最小化航天器模型的投影轮廓的几何残差的优化方法,这种方法可以进一步提升深空背景下姿态估计的精度。