随着全球太空资源开发热潮的不断高涨和人类对外太空探索的不断深入,空间目标识别的重要性也越来越多的引起研究学者们的关注。但是,这一领域目前还处在发展的初级阶段,有许多问题尚未解决,因此开展广泛而深入的相关理论的研究工作是有必要的。本文从图像的预处理、目标的特征提取和目标的分类识别这三个方面入手,对空间目标识别系统进行了研究。首先概述了空间目标识别的用途及发展状况,介绍了图像预处理的基本方法,针对可见光图像的成像特点和太空环境的复杂多变,对图像进行了平滑滤噪、图像增强与修复。同时针对空间目标图像可能会出现的边缘模糊、噪声干扰大和外形变化大的特点,结合了目标的几何形状特征、灰度特征和不变矩特征,提出了一组组合的特征向量,并以此作为分类识别的基础。本文重点研究了模糊聚类的分类算法。在介绍了经典的模糊C均值聚类算法后,指出了该算法对数据结构的局限性,即只能适用于球状或椭球状聚类,接着又介绍了一种前人针对FCM算法这一局限性的改进算法——基于核方法的模糊聚类算法(KFCM)。该算法将核函数的思想引入至模糊聚类中。在理论上能够解决FCM算法仅适用于呈欧氏结构分布数据的分类问题,但是在实际应用过程中却极易陷入局部极小值。本文从分析KFCM算法的隶属度函数入手,找到了造成KFCM算法极易陷入局部极小值的原因,并且基于核函数的思想引入Voronoi距离,该距离度量对于噪声和野值具有鲁棒性,使得隶属度函数更加明晰,新的算法不仅改善了KFCM极易陷入最小值的问题,同时还提高了聚类结果的正确率。使用空间目标半物理仿真实验平台拍摄的一组空间目标的可见光图像对本文所提出的方法进行试验,试验结果验证了方法的有效性。最后对全文提出的理论和所做的实际工作进行总结,提出了识别工作面临的困难以及建议,并且指出了在今后工作中还有待于完善的问题。