随着航天技术不断增强,在轨燃料加注、空间碎片清理、报废卫星脱离等空间在轨服务的需求日益增加。空间非合作目标识别与相对位姿测量是上述在轨服务任务的基础。受空间干扰、光照变化和图像质量等因素的影响,传统算法和深度学习算法在空间非合作目标识别和位姿测量方面的精度和稳定性仍待提高。针对上述问题,论文开展了如下工作:首先,针对空间非合作目标观测任务,完成了非合作目标测量模型与点云识别库的构建。考虑到TOF相机抗干扰性能较强、成本较低、识别精度较高的特点,本论文采用开源卫星点云模型和自主采集数据相结合的方式构建数据集,形成空间非合作目标点云识别库,建立了基于TOF相机的空间非合作目标识别与测量模型。其次,针对空间非合作目标点云识别任务,设计了基于AL-Point Net++的识别算法。对于Point Net++网络依赖性较大、对复杂目标的识别能力相对较差的问题,融入Attention-LSTM网络结构,提出了AL-Point Net++算法,优化了特征点的提取效果,点云识别效率与准确度得到了有效提升。再次,针对空间非合作目标相对位姿测量精度仍待提高的需求,优化点云配准算法精度以完成对空间非合作目标点云的相对位姿测量。通过主成分分析法求出特征向量及变换关系,利用RANSAC算法检验匹配效果以保证粗配准的精度,再通过改进ICP的精配准算法求解出旋转矩阵和平移矩阵。实验表明该算法相较于传统算法的配准效果良好,能够得到更为精确的相对位姿测量值。最后,搭建空间非合作目标识别和相对位姿测量地面缩比验证场景,以验证上述算法的有效性与准确性。TOF相机具备抗干扰性,对目标进行点云提取时不受周围光照环境的影响。实验结果表明,所提算法对空间目标缩比模型、quarter-sat卫星的识别与相对位姿测量具备良好的精度,在双quarter-sat卫星对接情景中也具备良好的有效性和准确率。实验结果表明,本文提出的ALPoint Net++算法具有更高的识别精度和实时性,相较于传统算法,精度提高了4.75%,训练时间缩短了7.98%。基于点云配准的相对位姿测量算法的角度误差小于0.4°,位移误差在3mm以内,能够在短时间内对空间非合作目标进行准确识别和精准测量。