随着人类对太空探索的逐渐深入,深空探测与小行星探测近些年逐渐成为研究热点。小推力航天器由于高比冲的特点,在深空探测中应用广泛,同时由于太空环境的复杂,且要求推力实时控制,其技术难点也不言而喻。对于航天器的太空探索任务,最值得关注的就是如何在燃料有限的情况下设计最优的轨道,探测更多的目标,同时针对未知干扰有很好的鲁棒性,保证任务顺利完成。因此,本文将结合目前流行的机器学习方法对以上问题展开分析研究。首先,本文对小推力航天器多目标任务初始目标范围选择进行了研究。利用一种基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN),对空间小行星目标进行聚类分析,选择在任务时间段内最大聚类中的核点作为探测起始目标点。本文提出一种轨道指示器来简化地表示出航天器在小行星之间转移的难度,该轨道指示器避免了传统轨道相位值计算繁琐的缺点,是一种表示小行星之间转移难度的新的度量方法,然后以此为性能指标对小行星之间的“距离”进行重定义,进而完成聚类分析。其次,本文利用集成学习方法对小推力航天器星际转移燃料质量进行快速估计,由于小推力航天器在轨道转移过程中动力学系统复杂,轨迹优化困难的特点,准确地计算出航天器的转移轨道既耗时又耗费资源,故在轨道设计的初期,我们希望能够快速估计航天器转移质量,这样对于所设计轨道合理性判定有着重大的意义,同时对转移质量进行很好的估计也能指导轨迹优化的序列确定部分得到更好的结果。最后,本文提出一种利用深度神经网络解决最优控制中实时性问题的方法,与传统利用强化学习解决控制问题所不同,本文利用监督学习的方法训练神经网络。以月球表面软着陆为算例,以降落过程中的最优状态量为输入,最优控制量为输出,针对航天器存在入轨偏差以及着陆过程中偏离最优轨迹的情况,传统方法重新规划航天器轨迹所需时间长的问题,通过利用深度神经网络模型对最优控制量进行实时预测,以实现轨迹重规划。