针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异，导致传统阈值算法对云识别精度不高的问题，文章提出了一种顾及样本优化选择，耦合物理阈值方法和机器学习的云检测算法模型，利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择，使样本中尽可能包括不同情形下的云特征，为机器学习模型提供良好的样本基础，增加模型泛化能力；同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外，还加入了基于反照率和亮温差的物理阈值方法云识别结果；最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%，总漏检率和总虚检率分别为2.08%和0.91%；通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析，结果显示云检测总体精度为97.1%。

通过发射电子束测量空间地磁场是一种新的有效的地磁场高精度测量方法，但电子束发射对在轨航天器自身状态和安全存在影响。为了研究这一影响，从同步轨道充电机制出发，基于轨道限制机制和朗缪尔方程研究了航天器发射高能电子束时的诱发充电模型，推导了不同初始电位情况下束流发射的平衡电位公式，并编制程序研究了这一过程中粒子束电流、能量、光照等因素对航天器充电电位的影响，得到了航天器对外发射高能电子束时诱发航天器自身或平台的充电电位随时间变化规律，并通过部分解析解对比验证了模拟结果的正确性。

为了实现在轨服务过程中对于没有靶标的部件进行操作，需要精细地分割出相关部件，并对其在时序上进行稳定地跟踪。对于部件的精细分割，本文首先基于航天器部件实例分割数据集对实例分割网络Mask RCNN进行了训练，然后在其掩膜分割分支上添加一个优化模块对部件分割结果进行优化。对于部件跟踪，本文首先在Quit_trihard损失的基础上提出分层加权五元组损失，然后利用该损失在航天器部件重识别数据集上对有关重识别网络进行训练，最后将得到的重识别网路嵌入Deep OC SORT跟踪算法以实现对航天器部件的稳定跟踪。实验结果表明：经过掩膜优化后，在部件实例分割测试集上相关实例分割算法的分割精度可提升至84.90 mAP；使用改进后的损失进行部件重识别，在部件重识别测试集上的识别成功率提高至76.86%，同时相关跟踪算法在部件跟踪测试集上的跟踪成功率升至89.38%。因此，本文提出的方法基本可以满足航天器部件的精细分割和稳定跟踪。

根据地面中子探测与宇宙线环境之间的关联性，在太阳活动平静期以地球静止环境业务卫星及全球各个中子探测站的探测数据构建数据集。基于极端梯度提升决策树（XGBoost）和人工神经网络建立了由地面中子探测数据反演宇宙线质子环境的模型。模型采用遗传算法求解模型的最优超参数并对神经网络的各个神经元参数进行训练，实现了宇宙线质子环境在太阳活动平静期的反演，模型训练的均方差MSE为0.499，对测试集的平均反演误差分别为26.9%，对比航天常用的辐射环境模型误差通常在200%以内，提高显著。同时使用包括支持向量回归、误差反向传播算法、长短期记忆在内的多种其他机器学习算法进行了对比，结果表明本文所建立的模型具有训练时间短、计算速度快、占用资源小的优点。

为了提高获取开源航天信息的效率并解决开源航天信息内容较长、数量较为有限、应用常用文本分类模型鲁棒性较差以及文本信息不够直观等问题，本文提出一种基于有监督对比学习的航天信息分类方法。该方法基于带有注意力机制（Attention）的双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM），融合对比学习技术，对开源的信息进行处理并分析，进而高效地筛选出航天类的信息，利用unCLIP（un-Contrastive Language-Image Pre-Training）模型生成信息对应的图像。实验结果表明，对比CNN（Convolutional Neural Networks）、BiLSTM、Transformer和BiLSTM-Attention等常用的文本分类方法，该方法在准确率、召回率和F1-Score上均表现良好，其中F1-Score达到0.97，同时以图像的形式呈现信息，使信息更加清晰直观。本文方法可以充分使用网络公开的数据资源，有效地提取开源航天信息并生成对应图像，对航天信息的分析和研究具有重要价值。