日益增多的空间碎片不断恶化着地球周围的空间环境,也将会是人类在今后进行近地太空行为活动中面临最大的危险之一。主动碎片清除措施(Active Debris Removal,ADR)可以在减少航天器执行任务时与碎片碰撞次数同时降低产生二次碎片概率。本文以空间碎片清除任务中的初始清除范围确定、碎片间转移燃耗估计和空间碎片的质量特性辨识三个问题为研究对象,分别采用机器学习算法中的聚类、集成学习和线性神经网络对以上三个问题的解决策略开展研究。针对多碎片清除任务中的初始范围确定问题,本文利用基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)对多碎片清除任务初始标范围进行确定。首先阐述了聚类任务的定义、与分类的区别和聚类效果的衡量标准,分析了4种常见的聚类算法的特点;然后通过对空间碎片的运动规律进行分析后采用一种改进的轨道指示器作为衡量空间碎片转移难度的标准,将本问题完全转化为一个聚类任务;仿真结果证明了聚类算法对于解决本章问题的有效性。针对空间碎片间的转移燃料估计问题,本文在权衡估计精度和估计时间这两个指标后提出将集成学习(Ensemble Learning)算法作为航天器在碎片间转移燃料消耗量的估计方法。首先建立碎片间转移动力学模型,求解燃料最优控制问题获取数据集;然后从学习器获取和习得模型结合策略两方面对集成学习算法思想进行探究;最终选用随机森林和梯度提升树两种集成算法进行仿真。仿真结果表明与兰伯特估计法相比集成学习算法估计精度更高且运行时间在可接受的范围内。针对捕获空间碎片后对空间碎片质量特性的辨识问题,首先采用n自由度空间机械臂连接组合体进行数学建模;然后将关于待辨识参数的线性方程组的系数矩阵作为线性神经网络的输入,将各待辨识参数作为网络的权重,基于最小均方算法实现辨识;最终在Adams/Matlab仿真平台上进行仿真,仿真结果表明线性神经网络辨识是一种辨识非合作空间碎片质量特性参数的有效方法。