大规模低轨道（LEO）卫星星座已成为支持无处不在通信的重要手段。嵌入在卫星网络中的强大计算资源正推动空间计算与卫星原生云技术的快速发展，催生了多种卫星人工智能（AI）应用。然而，单颗卫星在通信和计算资源方面非常有限，尤其是在利用深度学习方法处理遥感图像时。为解决这一问题，本文提出了一种面向云原生卫星的流水线式推理方法——PipeSIA，使多颗卫星能够协同执行推理任务。针对PipeSIA设计了一种卫星星座，其网络拓扑也组织为流水线结构，以实现高效通信。不同于传统的计算卸载方案，本文方法联合考虑了节点序列与任务分配问题，将其建模为一个序列多臂赌博机（SMAB）优化问题，并采用ε-贪婪算法和深度Q网络（DQN）来优化节点选择与任务分配。

胞元航天器由胞元单体构成，能够在轨组装、重构与维护，是未来大尺度航天器发展的重要方向之一。胞元单体间的通信自组网是在轨构建顺利进行的保障，但目前对此研究尚有不足。结合系统特征，将胞元单体按照功能特性划分为主脑胞元、功能胞元、载荷承载胞元三个级别，描述在轨构建过程，定义胞元航天器自组网的完整性，并在传统AODV路由协议基础上，定义并综合考虑路由路径中节点的连接性能、路径距离、路径能量和拥堵状况，设计自组网策略，优先选择包含高能量功能胞元的路由路径，并于路径信息返回时由中间胞元进行更新。仿真实验表明，本文策略能有效降低胞元航天器在轨构建场景下自组网的系统功耗与平均时延、提高网络生存时间、增大吞吐量、降低丢包率并优化网络拓扑；地面胞元航天器样机缩比实验则表明本文策略在同类场景不同情况下具有良好的适用性。

基于黏附的空间攀爬机器人因其灵活性和多功能能力，被视为在轨维修的有前景的候选方案。然而，在微重力环境下，黏附建立的不确定性、意外脱附以及机体运动的不稳定性等挑战仍然存在。为应对这些问题，本文提出了一种力–位协调柔顺控制方法，该方法融合了新颖的黏附建立策略和旋转脱附策略，并将其集成至空间攀爬机器人的步态规划中。通过实时监测足端反作用力，该方法可在不损伤航天器外部结构的前提下实现黏附建立；同时，利用足部关节旋转而非直接拉拽，实现平稳脱附。这些策略旨在减少不必要的控制动作，从而降低所有足端所需的黏附力，减少意外脱附的可能性。本文在基于悬挂的重力补偿系统中开展了攀爬实验，以验证所提出方法的有效性。实验结果表明，所提出的旋转脱附方法相比直接拉拽可将所需拉脱力降低65.5%，显著减少了对机器人本体及其他支撑足的扰动。当机器人踩踏障碍物时，所提出的柔顺控制方法相比传统PID控制器，能够有效抑制过于激进的控制动作，使支撑足的法向黏附力和剪切黏附力分别降低44.8%和35.1%。

近年来，卫星数量，尤其是运行于低轨道（LEO）的卫星数量激增。同时，人工智能（AI）软硬件的蓬勃发展也为航空航天领域带来了新的产业机遇，催生出一种新型的计算范式——轨道边缘计算（Orbital Edge Computing，OEC）。与地面边缘计算相比，LEO卫星的高速移动性以及通信、计算和存储资源的有限性，为任务特定的调度算法设计带来了诸多挑战。已有的综述性论文多集中于地面边缘计算或天地一体化技术，缺乏对OEC体系架构、算法和应用案例的系统总结。本文对OEC的系统架构、典型应用、核心算法和仿真工具进行了全面综述与分析，为该领域的研究人员提供了坚实的背景支持。通过讨论OEC的实际应用场景及其所面临的关键挑战，本文还提出了未来OEC研究的若干潜在方向。

双四元数在卫星集群的精确编队飞行以及相对导航与定位（RNP）中具有重要作用。本文在精确编队和RNP的背景下对双四元数矩阵进行了研究。我们首先利用双四元数单位增益图重新构建了编队飞行问题的图模型，随后研究了双四元数关联矩阵，以刻画该类单位增益图的平衡性。此外，我们证明了Perron-Frobenius定理对平衡的双四元数单位增益图同样适用。作为应用，本文进一步探讨了RNP中的一个位姿图优化问题。

大规模低轨道遥感卫星星座已成为全新且庞大的空间数据来源。联邦学习被认为是一种有前景的分布式机器学习技术，能够高效利用这些数据进行通信与协同建模。然而，在卫星网络中应用FL时，必须考虑其所带来的独特挑战，包括卫星通信能力、计算能力，以及客户端与服务器之间的交互关系。本研究聚焦于参数服务器的部署位置问题，无论是在地面还是在轨道上，并探讨了实现具备客户端选择机制的卫星联邦学习算法所面临的挑战。我们提出了一种名为“客户端亲和度” 的指标，用于衡量客户端对全局模型的贡献，并据此设计了一种客户端选择算法。一系列实验表明，我们提出的SFL范式——由卫星担任PS——具有显著优势，同时所设计的CS算法也表现出良好的可用性。相较于现有方法，我们的方法可使FedSat和FedSpace两种系统的收敛时间减半，模型精度最高可提升80%。

随着遥感卫星数据的爆炸式增长，基于空间的分布式计算逐渐成为一种可靠的解决方案。相比传统依赖地面站进行数据传输的模式，基于空间的分布式计算具有实时处理能力强、可扩展性高以及数据隐私与安全性更好的优势。作为一种分布式计算算法，联邦学习是一种无需集中数据即可在多个分散设备或服务器上训练模型的机器学习方法。本研究提出了一种图联邦学习算法，并将其应用于卫星集群的分布式计算场景中。联邦学习（FL）已成为分布式系统中协同机器学习的有力工具。本文所提出的图结构FL方法，利用了卫星星座的物理拓扑结构以及所采集空间卫星图像数据的非独立同分布（non-IID）特性。通过建立卫星物理位置与数据non-IID特性之间的联系，该方法有效应对了系统异构性与数据异构性的问题。该方法结合图分析技术捕捉空间依赖关系，从而优化模型训练过程。在异构卫星数据集上的实验结果表明，该方法在处理non-IID数据和提升系统性能方面具有显著优势。研究结果突显了将图分析方法引入联邦学习在卫星数据应用中的重要性。

针对空间机器人在轨维修等任务中的非合作目标位姿估计问题，提出一种基于点云配准的空间非合作目标位姿估计算法。在粗配准阶段，利用复合滤波算法保留点云外形并降低点云密度，通过主成分分析法求出特征向量，建立特征向量变换关系，利用RANSAC 算法检验匹配效果。在精配准阶段，使用基于改进ICP 算法的精配准算法，求出旋转矩阵和平移矩阵,得到位姿估计值。采用经旋转平移变换和高斯噪声处理的6 组数字卫星点云模型进行点云配准性能验证，并利用TOF 相机采集的卫星缩比模型点云进行位姿估计算法验证。经验证，算法的姿态角测量误差小于0. 4°，位移测量误差小于3 mm，是一种针对空间相对位姿测量问题的抗噪性能更好、鲁棒性更高的有效解决手段。