空间轨道资源的紧张已经被越来越多的国家所重视,保证空间资源的可持续发展变得愈发重要,在轨维护技术应运而生。通过在轨维护可以达到延长卫星寿命,回收废弃卫星,释放轨道资源等目的。由于很多失效卫星在设计时并没有考虑二次利用,属于非合作卫星。面向非合作卫星的在轨维护任务中,星箭对接环作为普遍特征受到研究者的喜爱。在本文中以星箭对接环为研究对象,利用深度学习方法开展星箭对接环椭圆特征检测。深度学习方法需要通过训练学习来完成最终的自主预测,因此需要标注数据集作为训练样本,但本文中需要的空间卫星数据集与一般数据集相比,存在难以获得且很少具有对接环特征的问题。针对此问题,本文基于虚幻引擎搭建了虚拟太空环境,弥补地面环境模拟的缺陷,并结合虚拟环境下模型信息已知的优势进行了图像的自动标注,使数据集能够担任位姿估计,椭圆检测,图像分割三类任务。传统的椭圆特征检测方法依赖于图像中像素梯度信息,不适合于空间光线变化较大,阴影遮挡特征等情况,并且不具有区分特征实例的能力,本文中搭建了两阶段的轻量化深度学习实例分割网络,实现对于星箭对接环区域的分割,避免发动机喷嘴等其他圆形特征的干扰。并引入了深度可分离卷积和注意力机制,在保证分割效果的前提下,加快了网络预测时间,减少网络参数量。在暗光或阴影的图像条件下取得了较传统边缘检测方法更好的效果,最终采取直接最小二乘法对分割区域边缘点进行拟合,完成星箭对接环检测。通过利用虚拟数据集开展的仿真实验,验证网络预测效果以及轻量化性能。利用星箭对接环的检测信息,本文中提出了基于双目视觉系统的位姿测量算法,根据星箭对接环的成像空间锥模型,推导了对接环的透视椭圆平面与对接环平面的变换关系,简化了计算流程。结合双目系统解决了空间圆位姿测量的二义性问题。最终在数据集标注椭圆信息和星箭对接环检测信息上分别验证了算法的有效性和测量效果,在中近距离的非合作卫星位姿测量取得较好的表现,满足课题需求。