La segmentación de componentes de naves espaciales es una de las tecnologías clave que permite la navegación y manipulación autónoma para naves espaciales no cooperativas en OOS (Servicio en Órbita). Mientras que la mayoría de los estudios sobre la segmentación de componentes de naves espaciales se basan en la segmentación de imágenes 2D, este artículo propone métodos de segmentación de componentes de naves espaciales basados en nubes de puntos 3D. En primer lugar, proponemos un conjunto de datos de segmentación de componentes de naves espaciales 3D de múltiples fuentes, que incluye nubes de puntos de lidar y VisualSFM (Estructura Visual a partir del Movimiento). Luego, se propone una red de segmentación de componentes 3D mejorada basada en PointNet++ llamada 3DSatNet, con nuevas capas de extracción de características (FE) conscientes de la geometría y una nueva función de pérdida para abordar el problema del desequilibrio de datos, lo que significa que el número de puntos de diferentes componentes varía considerablemente y la distribución de densidad de la nube de puntos no es uniforme. Además, cuando se conocen las nubes de puntos parciales previas de la nave espacial objetivo, proponemos una red 3DSatNet-Reg al agregar un módulo de registro de nubes de puntos 3D basado en Teaser a 3DSatNet para obtener una mayor precisión en la segmentación de componentes. Los experimentos realizados en nuestro conjunto de datos propuesto demuestran que el 3DSatNet propuesto logra un 1.9% más de mIoU de instancia que PointNet++_SSG, y el IoU más alto para la antena tanto en nubes de puntos de lidar como en nubes de puntos visuales en comparación con las redes populares. Además, nuestro algoritmo ha sido implementado en un dispositivo de computación AI embebido Nvidia Jetson TX2, que tiene el potencial de ser utilizado en órbita con una velocidad de procesamiento de 0.228 s por nube de puntos con 20,000 puntos.