Una mega constelación de nano/microsatélites es la solución contemporánea para las demandas de observación de la Tierra a nivel global. Sin embargo, dado que la mayoría de las imágenes tomadas por satélites de observación de la Tierra están cubiertas por nubes, almacenar y transmitir estas imágenes resulta en una utilización ineficiente de los escasos recursos y ancho de banda a bordo. Además, la tendencia de hacer planes de ejecución de tareas de satélites por operadores en tierra requiere los esfuerzos de expertos o simuladores para predecir la situación en tiempo real de los satélites y decidir qué tareas deben ejecutarse a continuación. Otorgar autonomía controlada a los satélites para realizar tareas a bordo aumentará la efectividad de la misión. Experimentamos con otorgar autonomía controlada a los satélites en la realización de clasificación de imágenes a bordo y programación de tareas. Diseñamos un modelo de clasificación de imágenes binarias basado en redes neuronales convolucionales con más del 99% de precisión en la clasificación de imágenes claras y nubladas. El modelo está configurado para realizar inferencias en computadoras de bajo rendimiento de Cubesats ordinarios. Además, diseñamos un mecanismo de programación de tareas de satélites autónomos basado en aprendizaje por refuerzo. Este mecanismo funciona mejor que un método heurístico personalizado en la programación de tareas a bordo. Como resultado, las técnicas de clasificación y programación propuestas con aprendizaje automático aseguraron una utilización eficiente de la memoria, energía y ancho de banda a bordo en las plataformas CubeSat altamente restringidas en recursos y el logro de misiones de constelaciones de nano/microsatélites.