En la etapa final de aproximación del encuentro y acoplamiento de una nave espacial, los parámetros de pose de la nave objetivo deben cumplir con las condiciones de captura de acoplamiento o amarre. Los sistemas de medición visual en luz visible se utilizan cada vez más en pruebas en tierra de naves espaciales para extraer las características geométricas de las naves espaciales y calcular y verificar la precisión de los parámetros de pose. La mayoría de los algoritmos actuales de segmentación de características no pueden superar el problema de transformación de escala del movimiento de las naves espaciales y la interferencia de ruido de los materiales de aislamiento de múltiples capas en la imagen. Para superar estos desafíos, proponemos un nuevo algoritmo de segmentación de características basado en el marco de redes neuronales convolucionales profundas. En primer lugar, se construye un modelo de convolución completa de la estructura de codificación-decodificación basado en datos para la prueba en tierra. Se aplica un módulo de concatenación de características y se combina con una estructura de red para mejorar el rendimiento de segmentación. Luego, se presenta y optimiza una función de pérdida integral mediante las características de pose de la nave espacial en la fase de aproximación. Además, se construye un conjunto de datos de simulación de naves espaciales específico para entrenar y probar nuestro modelo de segmentación a través de la augmentación de datos. Los resultados experimentales verifican que el método propuesto logra una segmentación precisa de naves espaciales de diferentes escalas, suprime la interferencia causada por el material de aislamiento de múltiples capas y tiene una fuerte robustez contra la ambigüedad del movimiento. La precisión de píxeles de nuestro método propuesto alcanza el 96.5%, y la media de intersección sobre unión es del 93.0%.