基于图像的空间目标检测已成为保障在轨卫星运行安全的重要需求之一。已有基于深度学习的无锚框目标检测算法取得了良好进展，但是仍存在检测头结构简单、表征能力不足的问题。对此，提出了基于注意力机制与动态激活的空间目标检测算法。以无锚框目标检测算法的通用网络结构为基础，在检测头中使用基于通道与空间感知的残差注意力模块，以增强网络的特征表征能力；同时，在检测头中串联基于通道感知的动态激活模块，以提升网络在特定空间目标检测任务中的性能。在SPARK空间目标检测数据集上的实验结果表明，所提算法的AP@IoU=0.50∶0.95指标达77.1%，检测性能显著优于主流算法Faster R-CNN、YOLOv3及FCOS。此外，所提算法在训练过程中采用动态样本匹配策略，进一步提升了对小目标的检测能力。

迭代最近点(ICP)算法广泛运用于三维点云数据的多视拼接，其精度和迭代收敛性严重依赖于待拼接数据的初始拼接位置，这就决定ICP只能是一个性能优越的精确拼接算法。粗拼接算法旨在为ICP提供一个良好的初始拼接位置。基于信息论中熵的概念，分析了点云的空间分布规律与所处位置的关系，在此基础上提出了一种新的粗拼接算法—迭代最小空间分布熵法。 实验表明，该算法有效可行，可以提供很好的初始拼接位置，在误差允许范围内，该算法可以直接实现点云拼接。

多视点三维点云场景拼接是解决激光三维主动成像目标自遮挡或被遮挡情况下目标数据不完全问题的一种有效方法，它将直接影响到后续的目标检测与识别处理。通过点云投影分布熵对场景独立坐标系进行估计，由此计算待拼接场景之间的空间变换参数，最后通过退火最近点迭代(ICP)方法，实现多视点场景的精确拼接。仿真实验结果表明，此方法是一种有效可行的方法。

针对现有激光雷达目标姿态估计算法对遮挡较为敏感的问题，提出了一种新的三维姿态估计算法。分析了现有算法的内在本质和地面装甲目标固有的表面结构特性，提出了投影点云密度熵(PDE)特征，研究了PDE特征与目标姿态的内在关系，给出了对目标点云迭代地进行旋转投影并寻找PDE最小值以实现三维姿态估计的方法。采用25类地面装甲目标的激光雷达点云数据进行仿真实验，分析了自遮挡、遮挡以及噪声下的估计性能，讨论了参数选择对估算结果的影响。实验结果表明，本文方法在自遮挡下的估计误差小于3°，在遮挡率达到80%时的估计误差小于10°。实验显示，本文方法对遮挡和噪声具有很强的稳健性，且收敛迅速，能很好地实现激光雷达目标三维姿态估计。

激光雷达可以获得目标的三维形状信息，已成为目标识别领域新的研究热点。针对传统匹配识别算法计算量大的问题，提出了一种快速的激光雷达目标识别方法。采用由粗到精的策略，提出了一种新的点云正交投影轮廓特征(PCF)实现模型的快速预选，在此基础上利用迭代最近点(ICP)算法将目标与模型点云精确匹配，并综合利用特征匹配和点云匹配信息构建相似性度量实现目标识别。采用25类地面装甲目标在96个不同视角下的点云数据进行实验，结果表明该算法的运算效率远优于逐一匹配法，且对目标姿态估计误差和目标遮挡具有很强的稳健性，具有较好的综合性能和应用推广价值。

在激光雷达目标识别中，通常需要估计目标姿态，进而将点云和模型匹配以完成识别。对目标姿态与投影点云分布的关系进行了分析，提取了投影点云密度熵（PDE）特征对点云分布进行度量。依据目标姿态与PDE之间的关系，提出了一种新的目标姿态估计方法，将点云绕坐标轴旋转，并计算旋转后点云的PDE，以PDE最小值所对应的旋转角作为目标姿态角。仿真了5类地面装甲目标在不同视点下的激光雷达点云，对比分析了PDE方法和矩形拟合法及主成分分析（PCA）方法在自遮挡下和遮挡下的目标姿态估计性能，讨论了参数选择对算法性能的影响，给出了PDE方法的快速实现方式。实验结果表明，PDE方法在自遮挡和遮挡情况下的姿态角估计性能及算法稳健性明显优于矩形拟合法和PCA方法，特别适合严重遮挡下的目标姿态估计。