综合了侦察卫星、预警卫星、通信卫星和导航卫星的卫星网络具有自主运行和独立的信息获取、信息融合、存储和分发能力,是夺取信息优势的重要武器。如何将智能技术,如模糊逻辑、神经网络、增强学习和多智能体技术引入卫星网络应用中,提高卫星网络的自组织性、协同性和抗攻击能力是传感器网络技术发展的重要方向之一。本课题主要以卫星网络空间机动目标跟踪为背景,探索智能化信息处理技术和传感器网络协同技术中与卫星网络应用相适应的方案,提出了基于FNN-Q的案例增强学习机制和基于EKF的粒子滤波技术,解决了移动动态联盟学习问题和空间大机动目标跟踪问题。在传感器网络协同技术中,采用一种综合了基于案例推理、神经网络、增强学习等理论和方法的移动动态联盟形成新机制,提出了基于FNN-Q的案例增强学习方法,解决了移动动态联盟学习问题,提高了联盟形成的质量和效率,实现了动态网络环境下联盟形成的自学习能力。目标跟踪是一个典型的状态估计问题,空间目标的运动方程具有很强的非线性,应用非线性滤波理论解决这个问题的关键是如何建立一套跟踪滤波算法。以卫星目标为例,在动力学分析的基础上,建立了目标的状态模型和观测模型,介绍了粒子滤波算法的基本原理和可能存在的问题,提出了基于扩展卡尔曼的粒子滤波算法,并利用该算法对变轨卫星进行跟踪。仿真结果表明,在运动方程的非线性较大时,该算法较经典方法有一定的优势,减小了跟踪误差,提高了卫星定轨的精度。此外,本课题还立足于卫星网络的特点,详细分析了卫星网络对卫星跟踪的条件和定位原理,基于分析结果讨论了卫星网络移动动态联盟的建立和学习机制,研究了卫星网络智能化协同技术在空间大机动目标跟踪中的应用,仿真结果表明基于FNN-Q系统的学习机制能增强卫星联盟的形成能力,有效的降低了卫星网络的跟踪误差,提高了整个卫星网络的监视和跟踪性能。