为了让科学家快速定位实验关键过程，获取更为详细的实验过程信息，需要对空间科学实验自动添加描述性文字内容。针对空间科学实验目标较小且数据样本较少的问题，本文提出了基于多模态学习的空间科学实验图像描述算法模型，主要分为四部分：基于改进U-Net的语义分割模型，基于语义分割的空间科学实验词汇候选，自下而上的通用场景图像特征向量提取和基于多模态学习的描述语句生成。此外，本文构建了空间科学实验目标数据集，包括语义掩码标注和图像描述标注，来对空间科学实验进行图像描述。实验结果表明：相对于经典的图像描述模型Neuraltalk2，本文提出的算法在精度评定方面，METEOR结果平均提升了0.089，SPICE结果平均提升了0.174；解决了空间科学实验目标较小、样本较少的难点，构建基于多模态学习的空间科学实验图像描述模型，满足对空间科学实验场景进行专业性、精准性的描述要求，实现从低层次感知到深层场景理解的能力。

为了满足空间任务实施过程中对航天器部件的精细定位需求，针对相同类别部件易出现的混淆问题，本文提出了一种基于孪生网络结构的航天器部件追踪算法。首先通过神经网络模型将航天器部件追踪问题描述为基于数据驱动的航天器部件相似性度量问题，以改进AlexNet网络结构为孪生单元设计本文所用孪生网络模型。其次，使用公开大型数据集GOT-10k训练孪生网络，以随机梯度下降作为网络优化方法，提升网络表征能力。最后针对航天器同类部件外观相似造成的定位混淆问题，提出一种结合运动时序特征的追踪策略，提高了追踪精度。以ESA公开的航天器视频数据作为测试数据，验证所提出算法性能，实验结果表明：本文所提出算法在未使用航天器相关数据训练的条件下，在舱体与太阳能帆板追踪结果交并比达到57.2%与73.1%，速度达到38 FPS，基本满足航天器部件追踪稳定可靠、精度高、抗干扰能力强等要求。