深度学习方法在图像分类、目标检测、特征识别和故障诊断等领域取得了卓越成果.然而，在实际应用中诸多限制使得通常无法获取大量的样本数据.因此，近几年在小样本情况下进行学习的算法成为学术研究热点.本篇综述的目标是概述主流的小样本学习方法及其在典型应用场景中的效果.在具体的算法方面，总结了包括度量模型、记忆模型、参数更新模型和样本扩充模型等不同方法的优势和缺点.阐述了现有小样本学习方法在图像分类、目标检测、语义分割和故障诊断4个典型领域的应用情况.对小样本学习不同方法的局限性进行了讨论，并且从数据的低依赖性，算法的高效化和模型的鲁棒性3个角度分析了未来的小样本学习研究的趋势.

研究对空间目标近距离顺光抵近与顺光构型维持的脉冲控制问题.顺光抵近指航天器保持位置近似位于目标—太阳连线上，对目标实施抵近操作.建立航天器与目标间的近距离相对运动动力学，从几何上定义顺光走廊的概念.通过一种将路径约束转化为点约束的技巧，构建描述顺光抵近过程最优脉冲控制策略的非线性规划(NLP)模型，对模型进行求解获得时间约束下脉冲消耗最小的抵近控制策略.进一步分析目标轨道坐标系下的目标—太阳连线长期变化规律，并提出一种基于控制时刻与控制位置点采样，以及动力学拟合的顺光构型维持脉冲控制方法.数值仿真验证结果表明所提出的顺光抵近与维持控制策略，能够实现航天器在满足顺光走廊约束的前提下完成对目标的顺光抵近与顺光构型维持任务.

在轨组装阶段的大型航天结构具备“离散渐增”的特点，组装阶段其构型与参数不断改变.与固定构型航天结构不同，如何合理配置作动器以抑制组装过程中的结构振动目前还未见深入研究.针对这一问题，提出一种适用于大型航天结构在轨组装阶段的作动器分布式优化配置方法.根据结构模块化设计的特点，给出大型航天结构组装阶段作动器分布式优化配置的设计思路.建立面向组装阶段作动器布局优化的桁架结构动力学模型，并给出用于优化配置的目标函数.提出结合天牛须搜索的改进粒子群算法，以解决优化配置问题.最后给出在轨组装阶段作动器布局优化的数值仿真.结果表明通过改进的混合粒子群算法实现了大型航天结构在轨组装阶段的作动器分布式最优配置.

目标检测相关技术已经广泛应用于空间目标监视、卫星自动寻轨等领域，也是计算机视觉领域最重要和最具有挑战性的研究分支之一，逐渐成为国内外军事领域的应用热点.在现代空天对抗中，通过卫星遥感图像获取近地飞行器目标，借以快速判断敌方部队的有生力量，将使我方部队占据战略优势.针对卫星观测距离过远、遥感图像背景复杂等问题，研究基于一阶段轻量化网络YOLOv8的小样本目标检测算法.通过图像翻转、马赛克数据增强及mixup数据增强等图像增强手段提高了模型的泛化性能；通过多次调整优化函数、降低类别损失增益及降低掩模比等参数调整策略提高了模型的平均精度；通过使用参数预设及加载原优化函数导出的模型提高了模型的运算效率.提出的方法在公开的飞行器数据集进行了验证，验证指标包括查准率查全率(precision recall)、平均精度(mAP)和画面每秒传输帧数(FPS).结果表明本文提出的改进型网络模型能满足卫星遥感图像的快速目标检测需要.

自由漂浮空间机械臂轨迹跟踪控制受模型不确定性和外部扰动影响。针对该问题, 提出了基于神经网络估计的自适应滑模控制策略. 对模型不确定问题, 采用双向长短期记忆神经网络 (Bi-LSTM) 对空间机械臂模型不确定性进行估计, 其中神经网络的估计方式为离线学习方式. 采用自适应滑模控制解决网络估计中的误差和外部扰动影响. 通过Lyapunov方法证明系统的稳定性, 数值仿真验证控制策略的有效性. 结果表明所提出的新型控制器能够实现低增益下控制性能的有效提升.

针对空间机械臂携带的传统视觉系统面临图像数据量大、测量延迟高等问题，研究了基于事件相机驱动的空间机械臂视觉伺服控制方法.事件相机是一种低延迟的新型神经形态视觉传感器，具有超高时间分辨率和高动态范围，但其产生的异步事件流数据与传统相机完全不同，需要设计新的算法以适配事件流数据.基于迭代重加权拟合设计了适用于事件流数据的快速圆形特征检测与跟踪算法；发展了适配圆形特征的空间机械臂视觉伺服方法.实验表明提出的检测与跟踪算法在实现高跟踪成功率的同时还具有远超传统视觉算法的检测速度，此外从事件相机获得的高速特征反馈能够驱动机械臂完成更加精确的伺服运动.

针对空间航天器失重服役环境下样本数据少、实验测试难等问题，构建了一个面向空间航天器的机器人学习算法研究的高保真仿真平台.该平台依照机器人学习领域标准的数据交互模式，支持直接调用各类主流机器人学习算法库，以及按照Gym交互模式开发的控制/学习算法；利用微重力模拟系统的实验数据，采用数据驱动的方式构建航天器动力学模型，用于仿真平台中的状态更新；以航天器位置姿态稳定任务为例，在所构建的仿真平台中完成了主流强化学习算法Soft ActorCritic的训练和测试，验证了所构建的仿真平台用于机器人学习算法研究的可行性.

对深度确定性策略算法进行改进，结合图注意力网络，提出将知识与人工智能结合的航天器故障推理方法.在构建航天器部件级知识图谱的基础上，根据航天器知识图谱的结构、语义配置强化学习的环境，设置独特的奖励函数、策略网络与价值网络.针对航天器知识图谱的图结构数据特性，引入图注意力机制进行更为准确的故障定位.模拟故障发生情况进行实验验证，实验结果表明该方法能够由测点与测点特征出发进行反向故障推理，获得故障路径，快速自主定位发生故障的功能模块与故障模式.

谐波减速器具有相对质量低、结构紧和价格低廉等优点，广泛应用于空间机械臂关节设计.然而，谐波减速器的运动误差、刚度和摩擦3种动力学特性阻碍了空间机械臂关节指向精度、运动稳定度等性能指标的提升.为改善空间机械臂关节性能，国内外学者针对谐波减速器的运动误差、刚度和摩擦3种动力学特性开展了试验研究和机理分析，并建立了数学模型.本文从试验、机理和建模3个角度出发，系统论述关于谐波减速器的运动误差、刚度和摩擦3种动力学特性的最新研究成果，总结分析谐波减速器动力学特性和建模研究所面临的挑战以及未来发展的方向.

航天器遥测数据异常检测是识别航天器状态、保障航天器安全可靠运行的关键技术.然而，航天器遥测数据异常检测通常面临时序数据维度大、异常不平衡、标签样本缺乏等问题.基于数据预测的异常检测思想，提出一种基于迁移学习的深度异常检测模型.根据遥测数据时序相关性强的特点，采用具有注意力机制的长短期记忆网络建立遥测数据预测模型.为了克服航天器遥测数据异常标签少、数据维度高的问题，采用微调的迁移学习方法对预测模型进行优化，同时采用全连接层统一不同数据集维度，从而提高了迁移学习模型精度，提升异常检测水平.以美国宇航局公开的两个航天器数据集为实验对象，利用提出的异常检测方法对该数据集异常状态进行识别，结果表明，与经典异常检测算法相比，引入迁移学习能明显提升模型性能，实验结果优于目前常见的异常检测模型，证明了方法的有效性.

随着信息技术和传感器技术的发展，基于数据驱动的故障诊断技术是保障大型工业设备高效、安全运行的关键技术之一.机器学习由于其具有强大的特征表示能力与基于大数据的特征提取优势，多种深度神经网络模型已成为故障诊断领域中最常用的特征提取方法之一.但监测设备收集到的数据中包括大量的无标签数据，基于监督学习的深度神经网络模型没有办法对其进行充分的利用，造成了部分有用信息的浪费.针对无标签数据，提出基于无监督学习的方法，利用最大化互信息的思想训练特征提取模型，在此基础上，设计一种针对时序序列数据的故障诊断方法，并在公开数据集凯斯西储大学轴承数据集上验证，取得了比以往传统方法更高的诊断精度.在卫星监测数据上进一步验证，提出的特征提取模型能够对故障不同阶段进行区分，很好地捕捉不同阶段的数据特性.结果表明，提出的基于无监督学习的故障诊断方法能够有效、充分地利用大量的无标签数据，提高时序序列数据的故障诊断精度.

准确预测锂离子电池剩余使用寿命对于掌握其健康状况和管理备件资源具有重要作用.现有锂电池剩余寿命预测方法大多局限于以循环次数为主的预测结果，本质上属于面向单一时间尺度的方法，忽略了锂电池健康状态受循环次数与工作时长双重时间尺度下的退化综合影响的现实问题.提出一种双时间尺度下基于Transformer的锂电池RUL预测模型.该方法选取容量作为表征其性能退化的关键指标，通过Kalman滤波和滑动时间窗对电池容量数据进行处理获取训练集和测试集，有效提取双时间尺度中蕴含的寿命信息，并充分考虑不同时间尺度寿命信息间的相互关系，建立容量与双重时间尺度的映射关系，实现了锂电池在双时间尺度下的RUL准确预测.通过锂电池实例验证了所提方法的有效性和潜在应用价值.

为了减少在轨卫星的喷气卸载次数，节省推进剂，延长卫星的使用寿命，对地球静止轨道零动量卫星和V型轮偏置动量卫星的角动量管理问题进行了研究.根据卫星角动量累计演化特点，给出两类卫星的角动量管理方法，提出优化的喷气卸载策略.基于上述研究对在轨卫星非正常卸载情况进行了理论分析与仿真验证，提出解决措施.在轨试验表明，基于优化的喷气卸载策略进行卫星角动量管理，可明显减少卫星的卸载次数，验证了策略的正确性.

本文研究正交控制力约束下，轨道平面外三星直线排列的绳系编队系统动力学特性.在非惯性坐标系下构建系统动力学模型，其中卫星和两根起连接作用系绳分别简化为质点和无质量弹簧，推导系统状态与系统动力学的解析关系式及对运动形式间临界状态的影响.提出一个三维动力学参数域以展示系统在任意轨道面内动力学，并通过数值仿真进行验证，结果显示解析计算结果与仿真结果完全一致.

空间碎片的数量不断增长导致在轨航天器碰撞事件频发，对人类探索宇宙的航天事业造成了巨大阻碍.分析当前空间碎片分布情况，以较少空间碎片分布密集区域发生的碰撞事件为目标，从在轨碎片中初步选择一组碎片作为清除目标.根据DBSCAN（density based spatial clustering of applications with noise）聚类算法以碎片间所需的燃料消耗作为碎片特征信息，遵循碎片到周边满足燃料消耗要求的碎片数量标准确定碎片核心对象同时划分簇.通过卫星星座中各卫星释放空间飞行器到各碎片附近所需的燃料消耗情况选出与簇数相等的卫星，根据解决指派问题的匈牙利算法确定卫星-碎片簇清除任务，并且空间飞行器可在任务分配的具体簇中实现一对多碎片核心对象的清除任务.

随着各国航天活动的不断频繁，在轨失效卫星数量不断增长，为合理规划失效卫星的抢救与维修任务，尽快恢复失效卫星功能，需分析失效卫星的运动演化规律.但目前卫星上往往携带有各类柔性附件，其弹性振动与卫星的姿轨运动存在耦合，在运动演化过程中会不断耗散卫星能量，使卫星运动演化特性与传统刚体卫星不同.本文针对携带柔性附件的失效卫星，建立了适用于长期运动演化分析的姿态振动耦合动力学模型，研究了卫星能量耗散与运动演化趋势之间的关系，并分析了能量耗散速率的影响因素.结果表明卫星初始角速度、柔性附件的安装位置、结构与材料特性对能量耗散速率影响较大，而柔性附件的初始振动状态对能量耗散速率的影响较小.

空间态势日益紧张使高轨卫星受到来自空间碎片和其他航天器的威胁，建立高轨天基态势感知系统，实现对高轨目标的观测与编目，对保障高轨卫星正常工作意义重大.光学观测和红外观测相比，具有被动无源、能量消耗小、适合长期工作的优势.本文对高轨光学观测星座进行构型设计与覆盖率分析，根据光学载荷成像特性，建立可见性约束模型.以有限时间内非重复目标覆盖率为优化指标，基于分解优化策略，将构型优化设计问题转换成多个单星轨道根数优化问题，利用差分进化(differential evolution, DE)算法优化.通过仿真比较分解优化策略和整体优化策略的效果，结果表明分解优化策略具备更好的全局寻优特性，根据结果分析了观测卫星数量和非重复目标覆盖率的关系，讨论了非重复目标覆盖率的边际效应.

由于低空空域无人机具有尺寸小、飞行灵活等特点，给视觉检测非法入侵无人机带来困难，提出一种融合注意力机制的低空无人机目标分割算法，命名为Rep YOLACT(re-parameterization you only look at coefficients network)，首先采用RepVGG (rep visual geometry group)网络改进YOLACT网络中ResNet (residual network)主干，增强网络的特征提取能力，同时在主干特征提取网络输出的3个特征层后添加CBAM (convolutional block attention module)注意力模块，从而进一步高效利用特征层的信息.分别在FL-drones (flying drones dataset)数据集和MUD (multiscale unmanned aerial vehicle dataset)数据集上进行实验，结果表明，在FL-drones数据集上，所提出的Rep YOLACT算法相比于YOLACT算法在掩膜AP(average precision)和掩膜AR(average recall)上分别提升了0.3%和11.7%，在MUD数据集上，所提出的Rep YOLACT算法相比于YOLACT算法掩膜AP和预测框AR上提升了2.3%和5%，能够很好地完成无人机分割任务，其分割精度也高于其它主流分割算法.

准确预测滚动轴承剩余使用寿命(remaining useful life，RUL)，对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系，通常忽略滚动轴承性能退化的不同状态差异性，且并未考虑深度学习模型所提取各类特征的差异性，给剩余寿命预测结果带来了极大的偏差.鉴于此，提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征，利用MannKendall检验法进行趋势判断，确定出退化期的起始点；通过归一化奇异值相关系数走势确定出慢速退化期的终点；构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short term memory with attention，Bi-LSTM-Att)的滚动轴承RUL预测模型，利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.

针对卫星编队中单颗小卫星欠配置、测量信息不全和故障类型数据少等问题，提出一种基于联邦学习的卫星编队故障诊断方法. 基于故障影响下的卫星动力学模型，利用Unity3D引擎搭建虚拟仿真环境，为后续卫星故障注入及故障数据产生奠定基础. 考虑单个小卫星测量配置不全的问题，采用双向协调网络(BicNet)构建卫星本地故障诊断模型，借鉴邻居卫星的“远端”敏感器信息，实现本地卫星故障诊断.采用联邦学习框架进行分布式训练，每颗卫星上传本地模型参数进行协同建模，在不增加通信压力的情况下，整合整个星群的故障特征，提高星群对不同故障类型的故障诊断能力. 所设计的编队故障诊断算法在编队卫星数量变化时也无需重新训练诊断网络，满足“即插即用”的工程需求.通过仿真实例验证，在测试集上精度达到99%，表明该方法有较高的准确性.

针对航天器故障知识来源广、形式多样、差异大和数量少的特点，以及航天器运行过程中遥测数据所蕴含故障知识难以被有效利用的缺陷，提出一种本体实体双向约束的知识图谱构建方法，采用自顶向下与自底向上相结合的方式构建知识图谱，实现包含遥测数据在内的航天器多源异构故障知识的图谱融合.在本体层面，提出一种改进的IDEF5法构建故障知识本体.在实体层面，针对故障数据的来源以及结构化程度，提出了3种不同的知识抽取方法，分别从(半)结构化数据(FMEA分析表、专家规则)、非结构化数据(故障文本资料)以及遥测数据中提取知识，并将知识在实体层中融合.通过本体层与实体层的双向约束与协同优化，实现故障知识图谱的构建.以航天器控制力矩陀螺为例，采用上述方法构建了故障知识图谱，并可视化展示.以案例的形式验证了方法的可行性和有效性.

及时有效检测航天器电源系统(SPS)的在轨异常变化是航天器安全稳定运行的重要保证.由于SPS的工作环境复杂以及SPS内部存在的闭环结构，使得表征其工作状态的遥测信号含有噪声不能及时反映出故障信息.针对SPS遥测信号存在噪声和无标签问题，提出一种基于多分辨率奇异值分解(MSVD)和自动编码器(AE)的SPS故障检测方法.将MSVD应用于波动信号去噪领域以降低噪声对遥测信号的影响，采用无监督的自动编码器算法对降噪后的数据进行异常检测，将本文所提算法应用于SPS中，对比了MSVD、小波变换和经验模态分析的去噪效果，而后结合AE分别对SPS进行检测，结果表明，所提算法具有更低的误判率以及更高的检测率.

针对三明治系统的弱阻尼挠性模态引起的机械谐振问题及齿隙非线性因素的影响，提出一种基于自耦PID(auto coupling proportional integration differential, ACPID)控制理论思想的控制方法.该方法首先将三明治系统已知或未知动态、非线性死区引起的不确定因素定义为一个总扰动，并将4阶非光滑非线性三明治系统等价映射为一个4阶线性扰动系统，然后建立了以总扰动为激励的受控误差系统，根据ACPID控制理论思想设计了基于速度因子的ACPID控制系统，最后分析了ACPID控制系统的鲁棒稳定性和抗扰动鲁棒性.仿真结果表明ACPID控制系统的有效性，不仅有良好的动态品质与稳态性能，而且有良好的抗扰动鲁棒性，在三明治传动系统控制领域具有良好的应用价值.

可重复使用航天器使用的惯性测量单元(IMU)既需要满足空间段长期在轨使用需求，又需要满足再入大气过程较严酷的力学振动环境及高动态下的高精度导航需求.针对可重复使用航天器对IMU的需求，本文对研制过程中动态精度设计和验证方法进行了总结，并介绍了一种六自由度振动IMU精度试验方法，该方法能够更真实模拟再入力学环境，可从系统需求出发，对IMU动态精度进行综合评估,为其他天地往返类型航天器提供参考.

高效且准确的对动力设备进行异常检测对于航空航天安全至关重要，科学的检测和维护可以及时发现潜在故障，保障系统的安全性与可靠性.传感器采集到的动力设备数据蕴含着关键价值信息，处理这些数据时通常先要进行特征提取.虽然深度学习方法由于大量的数据学习而获得了很好的结果，但对于传感器的数据处理却陷入了微调现有网络或从头设计模型的两难境地.提出基于自监督学习的时序数据时空特征提取网络.引入了自监督学习的方法来预训练网络.提出一种新的网络模型结构，该结构可以有效提取时序数据的时空表征.最后在相关数据集上对所提出的方法进行验证，实验结果证明所提方法的有效性.

本文提出了一种基于深度学习的动态场景视觉里程计方法。使用轻量级Ghost模块与目标检测网络YOLOv5s结合构建C3Ghost模块，引入坐标注意力机制（coordinate attention, CA），在提高网络检测速度的同时保证检测准确性。并将其与运动一致性算法结合，剔除动态特征点，仅利用静态特征点进行位姿估计。实验结果表明，与传统的ORB SLAM3（orient FAST and rotated BRIEF simultaneous localization and mapping 3）算法相比，在慕尼黑工业大学（technical university of Munich，TUM）RGB-D(RGB depth)高动态数据集上绝对轨迹误差(absolute trajectory error，ATE)和相对位姿误差(relative pose error，RPE)平均有了90%以上的改善。相较于先进的同时定位与地图构建SLAM算法，也有相对提升。因此，该算法有效提升了视觉SLAM在动态环境下的稳定性和鲁棒性。

健康状态预测是从系统层面保证航天器在轨安全稳定运行的关键技术.针对机电类关键部件存在性能退化过程的特点，提出一种基于无监督聚类与长短时记忆(LSTM)网络的航天器健康状态预测方法.该方法首先提取航天器单部件多维参数的高维时域特征，通过PCA方法将高维特征融合为反映部件运行状态的健康因子，再结合无监督聚类算法识别出故障的不同演化阶段，最后采用LSTM网络分别对各退化阶段构建其健康状态演化预测模型，实现对航天器部件健康状态预测.本文以控制系统关键部件控制力矩陀螺(CMG)为例对上述算法进行试验验证，验证了方法的有效性.

为了构建在视觉定位过程中时隔更加久远的约束，便于搭载视觉定位设备的飞行器能够建立全局一致的轨迹估计，提出一个基于对比学习的轻量化弱监督即时定位与地图重建技术(simultaneous localization and mapping，SLAM）闭环回路检测算法.通过对图像建立一致的全局描述符，利用相似度度量判断轨迹中的闭环回路，建立长时序约束.考虑到在资源受限平台上的应用，利用EfficientNet (efficient neural network)实现更高效的特征提取，并结合需求压缩与激励(need squeeze and excitation，NSE)注意力模块提升数据降维过程中对有效数据的筛选，通过完整的局部聚合描述符矢量(vector of locally aggregated descriptors, VLAD)层整合全局描述符，使网络模型最终能够在光照条件、视角和季节等环境变化中仍具备高效的识别能力.实验结果表明，在保持与基线模型TOP5召回率指标相差2%的基础上，所提出的方法能够有效缩减57%模型体积、35%模型训练时间并提升48%执行效率，有利于部署在小型无人机等资源受限的嵌入式平台上.

面向航天器等核心设备设计智能运维方法是构建自主运维能力的关键.得益于机器学习技术的发展，近年来出现的数据驱动智能运维方法极大提升了设备自主能力.然而，航天器设备日益呈现集群化的趋势，传统的智能运维方法面临分布式建模和隐私保护2个关键挑战.利用联邦学习框架构建智能运维模型是解决上述挑战的一种可行思路.航天器设备通常处于计算、通信等资源极为受限的工作环境，不同设备在数据分布、计算能力等方面呈现明显的异构特点，会极大影响联邦学习的性能.因此，针对上述异构特点，利用模型聚簇的思想，设计异构场景下的联邦学习方法，支持各航天器节点间的训练节奏调整，减少不同节点间的同步等待时间，支持面向各节点特征的模型构建，提升运维模型的构建性能.实验结果表明所提出的方法是有效的.

严格回归轨道的设计基于高阶次的地球非球形引力场模型，属于太阳同步回归、冻结轨道，回归周期始末的地固系空间轨迹高度重合.卫星在轨的自主管道导航以地面设计的严格回归轨道作为参考轨道，卫星与参考轨道形成一个虚拟编队.严格回归轨道的设计未考虑大气阻力，卫星在轨由于大气阻力导致的轨道衰减可由自主定轨与参考轨道的偏差进行估算.为了实现参考轨道的重复使用，严格回归轨道的设计也未考虑历元相关的日月三体引力等摄动影响，轨道倾角的长期运动和周期运动规律需要结合在轨数据进行辨识.本文应用陆探一号的在轨遥测数据，对上述轨道运动特性进行了分析.

为克服等离子羽流无序性强、动力学模型复杂的问题，使用神经网络建立消旋力矩快速计算模型，实现高效、高精度的消旋动力学解算.针对传统制导律难以处理复杂翻滚目标的弊端，提出章动抑制原则，并建立自旋章动耦合目标的最优羽流指向制导律.仿真结果表明基于神经网络的高效计算模型可在同等精度下大幅度减少力矩计算时间，最优制导律可实现复杂章动目标的快速稳定.本研究从在轨计算与任务执行策略两方面显著提升了消旋效率，为利用等离子羽流的在轨操控任务奠定了理论基础.

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题，提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息，并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征，从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性，在航空发动机CMAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.

为了确保探测器安全、准确地降落在地外天体表面，需实时测量探测器的下降速度，为制导导航与控制系统完成软着陆任务提供重要参考依据.提出一种仅利用光学相机的实时视觉测速方法，针对天体地表视频图像，采用递归全对场变换光流算法提取相邻帧间的光流场，然后通过深度神经网络的卷积层和池化层提取光流场对应的特征向量.为减小探测器降落过程中成像透视效应对测速精度的影响，构建一种适用于连续视频帧的长短期记忆网络，对特征向量和速度进行拟合，实现探测器着陆速度的实时估计.仿真实验结果表明，与基于前向传播网络的测速算法相比，本文方法的平均绝对百分比误差减小了11.98%，测量精度更高.

结合在轨组装卫星姿态敏感器冗余配置和质量参数未知的特点，为了抑制敏感器测量误差和参数不确定性干扰对组装卫星的姿态影响，首先建立陀螺/GPS/星敏多传感器联邦滤波算法，利用残差卡方检验方法实现敏感器故障的检测、隔离和重构，提高姿态确定精度和结果可靠性.在此基础上，通过参数辨识算法估计组装卫星质量参数，提出自适应固定时间滑模控制算法，提高滑模控制在未知干扰下的控制精度，降低参数选取范围改善系统颤振.最后通过数值仿真验证了本文算法的有效性，组装卫星姿态精度小于0.000 2°，姿态稳定度小于0.000 3(°)/s，表明所提算法实现了组装卫星的高精高稳姿态控制.

针对现实世界中异常图像数据稀少的数据不均衡问题，构建了一个高性能的异常检测模型. 仅使用正常训练数据和小部分仿真异常数据，构建了两阶段框架的异常检测模型.通过对正常数据和模拟生成的异常数据进行分类训练，得到提取特征的ResNet18编码器模型，通过高斯密度估计对正常数据的特征建模，构建异常图像的单分类器. GradCAM扩展了模型，使得异常检测模型可以在没有标签的情况下定位异常区域.通过仿真异常检测数据集上进行的实验证明，提出的算法能够检测现实世界遥感图像中人类肉眼难以发现的异常样本，并给出定位结果.

致力于解决四旋翼无人机的故障检测问题.考虑到无人机模型是一个非线性强耦合的模型，提出一种基于神经网络的性能驱动故障检测方法.然而，当无人机进入新的重力场时，已建立的故障检测系统无法适用.为了解决这个问题，进一步提出一种基于迁移学习的故障检测方法.通过子空间迁移方法和布雷格曼散度度量方式，将源域与目标域对齐，并实现了神经网络的参数迁移以及阈值设定.在四旋翼无人机系统中验证了本文所提出的方法的有效性.

 针对PVT方法计算剩余燃料偏差大影响卫星在轨任务规划的问题，提出一种基于输入参数偏差分析的卫星剩余燃料估计和修正方法.在推导剩余燃料估计误差传播方程和比对记账法、PVT法计算偏差的基础上，开展PVT法计算剩余燃料的误差源和输入偏差分析，对卫星剩余燃料进行修正.在仅考虑剩余燃料影响的前提下，建立地球静止轨道(GEO)卫星在轨燃料消耗预测模型，预测GEO卫星剩余寿命.实际工程应用表明：该方法在卫星剩余燃料计算出现较大偏差时，能够较好地修正计算偏差，可为卫星在轨任务规划提供技术支撑及参考借鉴.

对于配置多个星敏感器的卫星，采用常规的定常增益卡尔曼滤波方法进行姿态确定时，存在滤波定常增益矩阵众多、系统复杂的问题，为了简化滤波系统设计，统一定常增益矩阵，提出一种基于虚拟星敏感器的姿态确定方法.给出一种计算量小、适合星载计算机在轨实时计算的星敏感器时间滞后补偿及相对基准标定算法，将星敏感器的输出数据统一到当前星时，同时将星敏感器的测量基准统一.基于单星敏/双星敏的输出数据构造虚拟星敏感器(安装矩阵为单位阵)的输出数据，设计统一的定常增益矩阵进行姿态确定.仿真结果表明，本方法与常规的定常增益卡尔曼滤波方法姿态确定精度相当，从而验证该方法有效，且具有重要的工程应用价值.

在网络化环境下对线性系统辨识中的多敏感器分配策略进行研究. 为节约通信带宽，引入了二值量化机制；为解决数据传输时面临的冗余和通道拥堵问题，提出一种差分驱动的事件通信机制，并证明这种机制具有完全信息复原能力，同时给出其通信率. 基于接收端的可用数据，构造各个有限脉冲响应系统的辨识算法，分析其收敛性能. 进而，将通信资源受限下的多敏感器分配问题建模成带约束的优化问题，设计一种改进的遗传算法，给出最优方案. 用数值例子验证理论结果的正确性和有效性.

为解决智能体在复杂环境下的路径规划问题，提出一种基于改进优先经验回放方法的在线异策略深度强化学习算法模型.该模型采用柔性动作评价算法，通过设计智能体的状态空间、动作空间及奖励函数等实现智能体无碰撞路径规划；利用样本状态优先度与TD误差构建的样本混合优先度的离散度计算样本采样概率，进一步提出基于改进优先经验回放方法的柔性动作评价算法，提高模型学习效率.仿真实验结果验证了提出的改进柔性动作评价算法在各个参数配合下的有效性及改进优先经验回放方法在连续控制任务中模型学习效率的优越性.

陆地生态系统碳监测卫星(句芒号)主要用于陆地生态系统碳监测、陆地生态和资源调查监测、国家重大生态工程监测评价等，句芒号卫星控制分系统设计了高精度的姿态确定、高稳定的姿态控制算法和混合轨迹规划姿态机动算法.针对载荷对月定标的需求设计任意时刻经过任意惯性空间位置的惯性扫描模式，针对卫星自主任务规划的需求，设计一种基于地表模型图的星下点地表属性预报方法和高精度的火点视线指向地理经纬度计算方法，并为火点检测敏感器提供了太阳天顶角、卫星天顶角、相对方位角等云判辅助信息火点位置的实时动态预报，在轨实现了高可靠的敏感器火点指向计算和伪火点剔除.根据卫星在轨运行数据，给出相应指标实现情况，对姿态控制系统的方案和指标满足情况进行在轨验证.

单像素成像是一种仅需要使用无分辨能力的桶探测器结合空间光调制信息就能重构出一副完整图像的成像方式，具有非局域成像和高灵敏的特点，适合在外太空非合作目标下进行超远距离成像探测，但需要多次空间光调制后进行探测，重构图像信噪比低.本文提出一种基于全局注意力机制的低采样率下图像增强方法，利用Transformer结构搭建新型的SUNet(swin transformer unet)网络，解决传统卷积神经网络平移不变性和无法获得全局感受野的问题.根据切蛋糕(cake cutting，CC)序改进的差分鬼成像算法在低采样条件下重构出低质量的图像，使用SUNet对图像进行增强.实验结果表明，该方法与2022年提出的GIDC(ghost imaging using deep neural network constraint)方法相比，在0.1的采样率下，峰值信噪比提升了3.29 dB，结构相似度提升了8%，为单像素成像的空间探测提供了新的技术途径.

发动机的叶轮叶片是空间航天器推进系统的关键组件，对空间任务的顺利完成起到至关重要的作用.叶轮叶片表面缺陷具有尺寸小、种类多等特点，容易造成误检和漏检.提出一种融合多尺度特征及注意力机制的缺陷检测算法(EF centerNet)，采用轻量级的EPSANet网络作为CenterNet算法的主干，有效融合PSA分割注意力机制，关注更重要的缺陷特征，增强网络的特征提取能力；同时在主干特征提取网络输出的特征层后添加FPN结构，进一步融合多尺度信息，即低分辨率的高层语义信息和高分辨率的低层特征信息，从而提升算法的缺陷检测精度.实验结果表明，所提出的EF CenterNet算法在自制数据集上检测精度达到96.74%，比基线CenterNet算法指标提升了1.81%，在公共数据集上检测精度达到77.37%，比基线CenterNet算法指标提升了1.99%.

为建立全电推进卫星的精确模型、设计全电推卫星的姿轨控方法及提高卫星的控制精度，针对一种配置可展开矢量调节机构的全电推卫星开展动力学模型研究.建立四关节可展开矢量调节机构的模型，推导基于可展开式矢量调节机构构型的全电推卫星的电推力及力矩模型，在此基础上建立全电推卫星的姿态轨道动力学方程.利用此模型描述全电推进卫星的姿态运动状态及轨道变化，能够准确反映出卫星的运动性能，该模型已应用于我国亚太6E卫星研制中，应用该模型对卫星进行的动力学仿真结果符合测试及分析结果，且该卫星在轨控制效果与预期一致，验证了模型的有效性.

在两航天器交会问题中，采用多脉冲变轨策略往往能取得更小的燃料消耗.利用人工蜂群算法优化了航天器固定时间多脉冲交会问题，提出一种改进的人工蜂群算法.该方法能够简化时间约束的处理，能获得满足地球半径约束的解.该方法易于编程，鲁棒性强，可以应用到不同的摄动模型.仿真结果表明，该算法不易陷入局部最优，相比于粒子群算法和传统人工蜂群算法具有更高的求解精度.

针对非最小相位欠驱动垂直起降(vertical taking off and landing, VTOL)飞行器的控制难题，提出了一种自耦PID(auto coupling proportional integral differrential, ACPID)控制理论方法.首先通过坐标变换将VTOL飞行器的质心映射为Huygens振动中心，不仅能实现新系统控制输入解耦，而且也能避免非最小相位VTOL飞行器零动态不稳定的问题；然后对Huygens振动中心分别设计纵横向位置的ACPID控制器，并分别获得VTOL飞行器底部推力和滚转姿态角虚拟指令，进而设计滚转姿态角的ACPID控制器形成滚转力矩，从而实现VTOL飞行器系统的位置跟踪控制；最后通过复频域分析理论证明闭环控制系统的鲁棒稳定性和抗扰动鲁棒性.理论分析和仿真结果都表明了本文方法的有效性，在非最小相位欠驱动控制系统领域具有重要的科学意义和广泛的应用前景.

随着航天器软件任务量和复杂度的增加，软件复用需求越来越迫切.针对现阶段多个平台的电推进软件，采用结构化的分析方法开展软件需求分析，提取共性需求及可变性需求，识别可复用软件组件；提出基于适应性改进的事件驱动模型来组装软件组件，建立电推进软件体系结构框架；描述公共服务操作以及硬件驱动程序的封装形式，并给出软件体系结构在具体项目中的应用方式.文章提出的电推进体系结构框架以及所设计实现的软件组件在多个项目中得到应用，并取得了良好效果.

针对火箭动力系统内部传感器较少、可信度较低导致异常监测困难的问题，提出一种利用飞行状态信息进行火箭动力系统异常监测的方法.从火箭控制系统闭环回路中选取合适可测的飞行状态参数构建故障数据集；利用LSTM自编码器算法提取故障特征信息；构建支持向量机分类辨识模型，并利用人工蜂群算法对于支持向量机的参数进行参数寻优，实现动力系统故障的异常监测；最后通过火箭飞行控制闭环回路仿真验证了所提算法的有效性和可行性.

针对空间站柔性太阳翼振动测量相机的动态杂光快速分析需求，基于全轨道周期下日月地3种环境光源与相机光轴夹角关系、大面积柔性阵面的动态振动位移的模拟，并从点光源和面光源两类光源特性、直接入射和经太阳翼阵面一次反射后再入射两类杂光干扰途径出发，给出了大幅降低运算量的动态杂光判别算法，提升了杂光轨迹随被测对象动态变化时的仿真效率.仿真结果表明，该算法的实时性和准确性均可满足大型柔性太阳翼振动测量相机的杂光分析需求.

针对当前使用图像特征的空间非合作目标立方星位姿估计算法存在鲁棒性差的问题，提出一种利用立方星顶点进行位姿估计的设计方案.基于双目视觉获取的灰度图像，采用HED(holistically nested edge detection)网络结合二值化形态学处理方法以提高边缘提取的鲁棒性.检测出边缘图像中的多边形特征后，滤除重复和干扰的多边形，设计共边双框关键顶点判别算法判别立方星的关键顶点，实现了对立方星结构参数和位姿的估计.采用立方星模型进行实验验证，整体方法相比ICP(iterative closest point)精配准方法在30~70 cm探测距离内实现了最大4.4°、1.2 cm的偏差；边缘提取方法对目标结构参数判别准确率提升10%~40%，为非合作目标立方星的结构参数和位姿估计提供新技术路线.