事件相机凭借其高时间分辨率及在宽动态范围内工作的能力，在动态环境任务中正日益彰显其价值。尽管当前自主空中加油（AAR）技术的先进水平提出了接触误差小于3厘米的解决方案，但其计算机视觉算法可能因尾流、运动模糊等自然现象而失效。

本研究在三维引擎内开发了一个事件模拟器，用于生成合成训练数据，以评估不同卷积神经网络（CNN）处理此类异步数据时的性能。具体而言，我们探究了三种CNN架构：传统CNN、基于YOLO的CNN以及异步稀疏CNN。评估过程以交并比（IoU）作为性能指标，衡量了各网络在预测与跟踪目标方面的效能。结果表明，基于YOLO的CNN表现最佳，在目标检测与跟踪中实现了最高的准确度。尽管异步稀疏CNN是一个优化程度较低的解决方案，但其平均IoU仍保持在约0.9，表明它在动态环境中仍能可靠地预测目标。此外，稀疏CNN固有的异步特性为未来研究，特别是在实时、高时间精度应用方面，提供了广阔前景。这些发现表明，尽管传统CNN能够提供稳健的结果，但对异步方法的探索，在推动事件视觉系统应用于实时高速环境方面，蕴含着巨大潜力。