Este estudio presenta un marco de seguimiento de múltiples objetos basado en aprendizaje profundo, diseñado para rastrear animales en entornos espaciales, abordando desafíos como los movimientos erráticos inducidos por microgravedad, las oclusiones frecuentes y la alta similitud visual entre individuos. El marco desacopla las características de apariencia y movimiento a través de entradas de doble flujo; emplea codificadores específicos de modalidad fusionados a través de una red gráfica heterogénea para modelar relaciones espaciotemporales cruzadas; e integra un módulo de redetección de objetos para la continuidad de identidad durante oclusiones o movimientos rápidos. Validado en conjuntos de datos públicos de observación espacial y de peces cebra, supera a los métodos existentes, destacando el potencial de la inteligencia artificial en estudios de comportamiento bajo condiciones extremas del espacio para apoyar la investigación en ciencias de la vida espacial.