太空探索一直以来都是人类从未停止的科学活动。随着科学技术的发展,近地航天活动与日俱增。然而,近地航天活动的频繁开展,也带来了一些问题。目前面临的严峻问题之一是轨道上卫星故障,不仅在经济方面带来巨大损失,而且还浪费了轨道的空间资源。为了对故障卫星进行检修和维护,面向在轨服务的航天相关技术研究十分重要。在轨服务航天任务中的一个重要任务是目标捕获,服务航天器要缓慢接近目标航天器,最终实现稳定而又精确的捕获。在接近目标航天器的整个过程中,第一个要解决的问题就是相对位姿测量,即相对导航任务。相对位姿包括相对位置和相对姿态两组变量,对这两组变量进行估计的准确性对后面制导和控制任务的进行有着巨大影响。如果能获得稳定且准确的相对位置和相对姿态,接下来就是依据这两组变量给出合理的控制反馈,使得航天器安全地接近目标。课题针对近距离阶段(两航天器相对距离小于10米)接近过程中相对位置估计问题进行研究。在该阶段之前的接近过程中,两航天器相对姿态已经通过星敏感器调整到误差允许范围内,由于在这个阶段中,激光测距机和激光扫描雷达的测量误差不满足相对导航精度要求,所以课题研究提出使用视觉感知方式实现近距离阶段两航天器的相对位置感知。课题研究内容包括以下三个方面:1基于卷积神经网络的相对位置感知方法。在目标航天器上无法进行关键点检测、图像对比度差、纹理复杂、过程尺度跨度大、特征边缘检测效果不稳定的情况下,突破先检测关键点和匹配特征然后计算位姿的传统相对位姿测量方式,使用卷积神经网络有监督回归方法,直接从安装在服务航天器上的三台相机拍摄的原始图像估计服务航天器与目标航天器对接环之间的相对位置。2相对位置感知数据平滑与相对速度估计。使用卡尔曼滤波器对卷积神经网络相对位置感知估计得到的相对位置进行滤波和平滑,同时获取稳定的相对速度估计值。3仿真环境下相对导航仿真实验。首先结合课题接近过程运动的实际情况,建立一个由相对位置和相对速度来计算加速度的控制数学模型,然后联合卷积神经网络相对位置感知模型、卡尔曼滤波器和控制模型,在仿真环境中模拟服务航天器向目标航天器对接环由远及近地接近过程,统计最终到达目标位置的精确程度,评价卷积神经网络相对位置感知和相对位置平滑及相对速度估计方法的性能。本文提出的相对位置感知方法是将数字图像处理、计算机视觉和深度学习方法运用在航天技术领域中的探索研究。仿真实验结果表明,基于卷积神经网络的相对位置感知模型能够计算出相对位置的估计值,但存在一定随机误差。通过卡尔曼滤波器的处理,相对位置估计值的误差能够得到抑制,同时能够获得准确的相对速度估计值。联合卷积神经网络相对位置感知模型、卡尔曼滤波器和接近控制模型取得了预期的相对导航成功率。