在轨服务及空间对抗中,很多场景都涉及对非合作目标的抓捕。由于非合作目标本身处于失控或者无合作意愿状态,动力学特性未知,抓捕中还存在残余相对角速度与线速度,因此抓捕后的组合体航天器姿控将面临很大困难。本文以抓捕后的组合体姿控系统为研究对象,对组合体参数辨识和控制进行了深入研究。首先,研究了一种基于卷积神经网络的智能参数辨识算法,借助深度学习在多参数寻优上的优势,解决组合体质量、质心位置以及转动惯量参数未知等问题。该算法在组合体线动量和角动量不守恒条件下依然可以实现对航天器组合体多参数辨识,相比以往零外力的条件,更具有普遍适应性。该算法利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。仿真表明:在24s内,质量与质心位置收敛;1190s内,转动惯量参数收敛,辨识精度在3%以内。上述结果说明该方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。其次,研究了一种弱计算能力下的基于卷积神经网络的模型预测控制算法,实现组合体多场景下姿态控制律的重构。在根据深度学习辨识结果建立组合体动力学与运动学模型后,本文对非合作目标组合体姿态控制方案进行研究,考虑航天器在轨硬件处理能力弱的现状,研究一种计算资源占用少的控制算法。该算法优先利用模型预测控制将组合体从初始状态控制到预期目标,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测算法对组合体进行控制,从而降低计算资源需求。仿真表明:该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5.5倍,在30s内即可完成各场景下的组合体姿态控制,控制精度在10^-4量级。最后,基于分布式数字仿真平台,对组合体的参数辨识算法与控制方案进行验证。通过实际姿态数据分析,验证了基于深度学习的辨识算法与模型预测算法在组合体控制系统中的有效性。本文所研究的控制算法将深度学习技术与传统控制算法相结合,利用深度学习大数据处理的优势,在多任务场景下具有更高效的控制能力,可为未来深度学习在航天器控制系统中的应用提供一种思路。