En vista de los requisitos inteligentes de detección y reconocimiento de objetivos no cooperativos espaciales, este documento aplica el método de aprendizaje profundo YOLOX_L a la tarea y se basa en YOLOF (You Only Look One-Level Feature) y TOOD (Task-Aligned One-Stage Object Detection), que optimizan y mejoran su precisión de detección para cumplir con las necesidades de precisión de la tarea espacial. Mejoramos la estructura de FPN (Feature Pyramid Networks) y la red de predicción desacoplada en YOLOX_L y realizamos un análisis comparativo de validación del YOLOX_L mejorado en el conjunto de datos VOC2007+2012 y de naves espaciales. Nuestros experimentos realizados en el banco de pruebas VOC2007+2012 muestran que el método propuesto puede ayudar a YOLOX_L a lograr un mAP de 88.86, que es mayor que YOLOX_L, funcionando a 50 FPS bajo el tamaño de imagen de 608 x 608. El método de detección de objetivos espaciales basado en el YOLOX mejorado tiene una tasa de precisión de detección del 96.28% y una velocidad de detección de 50 FPS en nuestro conjunto de datos de naves espaciales, lo que demuestra que el método tiene cierta importancia práctica y valor práctico.