En este artículo, presentamos un Marco Unificado para la Estimación de Pose de Drones Espaciales en Dominios Cruzados (UF-SPE), abordando la brecha entre la simulación y la realidad que limita el despliegue de modelos de aprendizaje profundo en misiones espaciales reales. El marco propuesto UF-SPE integra la generalización de dominio offline con la adaptación de dominio no supervisada online. Durante el entrenamiento offline, el modelo se basa exclusivamente en imágenes sintéticas. Emplea técnicas avanzadas de aumento y una arquitectura de múltiples tareas equipada con módulos de Incertidumbre de Cambio de Dominio para mejorar el aprendizaje de características invariantes al dominio. En la fase online, las capas de normalización se ajustan utilizando imágenes del mundo real no etiquetadas a través de la minimización de la entropía, lo que permite que el sistema se adapte a las distribuciones del dominio objetivo sin etiquetas manuales. Los experimentos en el benchmark SPEED+ demuestran que el UF-SPE logra una precisión competitiva con solo 12.9 M de parámetros, superando al método base ligero comparable en un 37.5% en precisión de estimación de pose. Los resultados validan la eficacia y eficiencia del marco para la estimación robusta de pose de drones espaciales en dominios cruzados, indicando un potencial para aplicaciones como el servicio en órbita, la eliminación de escombros y el encuentro autónomo.