Determinar la actitud de un objetivo no cooperativo en el espacio es un importante problema fronterizo en el campo aeroespacial, y tiene un importante valor de aplicación en los campos de evaluación del estado de satélites con mal funcionamiento y detección de objetivos no cooperativos en el espacio. Este artículo propone un método de estimación de actitud de objetivos no cooperativos basado en el aprendizaje profundo de imágenes de radar de escenas de acceso terrestre y espacial (GSA) para resolver este problema. En las escenas de GSA, el satélite objetivo observado puede ser fotografiado no solo por radar de apertura sintética inversa (ISAR), sino también por satélites ópticos basados en el espacio, siendo las imágenes ópticas basadas en el espacio las que proporcionan estimaciones de actitud más precisas para el objetivo. La orientación espacial de la intersección de los planos orbitales del objetivo y los satélites de observación puede cambiar ajustando finamente la órbita del satélite de observación. La intersección de los planos orbitales se controla para asegurar que sea colineal con el vector de posición del satélite objetivo cuando es accesible para el radar. Así, se generan una serie de escenas de GSA. En estas escenas de GSA, los valores de actitud de alta precisión del satélite objetivo pueden ser estimados a partir de las imágenes ópticas basadas en el espacio obtenidas por el satélite de observación. Por lo tanto, se puede obtener la relación correspondiente entre una serie de imágenes ISAR y la estimación de la actitud del objetivo en ese momento. Dado que la actitud del objetivo puede ser estimada con precisión a partir de las escenas de GSA obtenidas por un telescopio óptico basado en el espacio, estos valores de estimación de actitud pueden ser utilizados como conjuntos de datos de entrenamiento de imágenes ISAR, y se puede realizar un entrenamiento de aprendizaje profundo en las imágenes ISAR de las escenas de GSA. Este artículo propone un método de estimación de actitud instantánea basado en una red profunda, que puede lograr una estimación de actitud robusta bajo diferentes condiciones de relación señal-ruido. En primer lugar, se crearon modelos de observación e imagen ISAR, y se construyó la relación de proyección teórica desde la nube de puntos tridimensional al plano de imagen ISAR basada en la línea de visión del radar. Bajo la premisa de que el plano de imagen ISAR estaba fijo, los resultados de imagen ISAR, el mapa de proyección teórica y la actitud del objetivo estaban en correspondencia uno a uno, lo que significaba que la relación de mapeo podía ser aprendida utilizando una red profunda. Específicamente, para suprimir la interferencia de ruido, se utilizó una red UNet++ con una fuerte capacidad de extracción de características para aprender la relación de mapeo entre los resultados de imagen ISAR y el mapa de proyección teórica para lograr una mejora de imagen ISAR. Luego, se utilizó el transformador de ventana desplazada (swin) para aprender la relación de mapeo entre las imágenes ISAR mejoradas y la actitud del objetivo para lograr una estimación de actitud instantánea. Finalmente, la efectividad del método propuesto se verificó utilizando datos de simulación electromagnética, y se encontró que el error promedio de estimación de actitud del método propuesto fue inferior a 1 grado.