随着微小卫星技术的日益成熟,微小卫星的发射数量不断增长,其应用场景也不断拓宽。近年来,面向微小卫星的在轨感知技术逐渐成为航天领域的研究热点,其中基于可见光视觉的图像算法是在轨感知技术的关键一环。而由于空间应用的特殊性、微小卫星平台计算与存储资源的有限性,相关的视觉图像算法面临着新的问题和挑战。本文将以面向微小卫星的天基目标观测、在轨维护以及绕飞观测等空间应用为背景,对这些应用场景中在轨感知环节所涉及的视觉图像算法开展研究。本文将在轨感知分为远距离感知和近距离感知,针对远距离感知,分别研究了在轨深空图像杂光背景抑制和运动小目标检测方法;针对近距离感知,研究了卫星表面部件的检测识别方法。首先,研究了远距离感知中的深空图像杂光背景抑制算法。本文在分析了在轨深空图像特性的基础上,设计了一个尺度不降的全卷积神经网络用于图像杂光背景抑制。利用仿真得到的图像数据集对网络进行训练,最后基于天拓二号微小卫星在轨拍摄的图像进行算法实验,实验结果验证了杂光背景抑制网络在去除图像杂光污染方面的有效性。其次,围绕天基目标观测研究了远距离感知中的空间运动小目标检测算法。针对经典MTI算法的耗时长以及空间小目标运动轨迹投影不连续给检测带来的不利影响,本文提出了一种基于改进MTI的空间运动小目标检测算法,通过设置像素“感受域”,有效避免了空间小目标运动轨迹投影的断裂,并通过简化像素时序信号投影环节,使得算法具有较快的运行速度。基于天拓二号微小卫星在轨拍摄的图像进行算法实验,实验结果验证了算法对于检测空间小目标运动轨迹的有效性,并且具有较好的实时性以及定位性能。最后,围绕微小卫星绕飞观测中心主星的场景,研究了近距离感知的卫星表面部件检测识别算法。本文将基于深度学习的Faster RCNN算法应用于卫星部件的检测识别上,将其基网络更换为轻量化的MobileNet并对全连接层进行缩减,模型大小得到显著压缩。本文建立了天拓三号缩比模型的部件图像数据集(TT3数据集),并利用该数据集对网络进行训练和测试。实验结果表明,经全连接层压缩后的MobileNet-Faster RCNN网络能在TT3数据集上实现对TT3卫星部件的有效检测识别。