随着卫星技术的不断革新,各国提出了打造空地一体化空间态势感知系统的新目标。随着人工智能技术的爆发,以可见光图像为载体的卫星应用迎来了新的挑战和机遇。利用深度学习实现智能化的空间目标检测与识别成为了新的研究热点。然而,当前有几个难点亟待解决:一是可见光卫星图像获取的成本仍然很大,现有的公开数据集都是软件仿真得到,图像中的卫星角度和姿态较为单一,其数量和多样性均难以满足神经网路的训练要求;二是由于真实场景中卫星图像具有画幅宽、噪声干扰强、部分目标像素不连续的特点,因而需要一种新的空间目标检测方法;三是由于空间目标图像中卫星的外部形状较为相似,直接对整幅图像进行目标识别的准确率有待提高,加强利用其重点部件的语义信息是提高识别精度的关键。针对以上问题,本论文基于深度学习技术对空间目标图像的生成、检测和识别进行了研究。首先,本论文实现了基于关键点的空间目标图像生成算法C2GAN。该算法基于生成对抗网络,以关键点和图像交互生成的方式互相监督。其特点是通过各个循环周期彼此隐式地相互约束,带来了跨周期的额外监督,从而促进了整个网络的深度优化。实验表明,该算法能够基于卫星关键点生成满足训练要求的多角度、多姿态数据样本。其次,本论文提出了一种基于阈值嵌入的空间目标检测算法。该算法包括定位和分类两部分。定位算法基于最小外接矩形算法,增加了一个最小融合阈值。当某个图像被定位出多个矩形框时,该算法会通过计算矩形框之间的交并比,并通过判断其和给定阈值的大小来决定是否合并它们,以此达到精确定位空间目标的目的。然后结合用于区分卫星和空间碎片的二分类网络,组成了一个端到端的空间目标检测算法。接下来,本论文提出了一种融合部件语义信息的空间目标多粒度识别算法。该算法首先对空间目标进行像素级的部件分割,然后融合重点部件的语义信息和整体语义信息,通过增加决策占比更高的特征权值,获得了更强的卫星类别表达高层特征。实验表明,本论文提出的算法比基于整体语义信息的识别算法获得了更高的识别精度。最后,本论文针对实际应用需求,实现了各模块协同的空间目标检测与识别系统。实验表明,该系统能够用于空间目标的快速检测及精确型号识别,为智能化空间态势感知系统建设奠定了技术基础。