Como componente clave de carga estructural de las naves espaciales, la evaluación de la resistencia de las estructuras de placas reforzadas enfrenta dos desafíos. Por un lado, los resultados de la simulación son a veces inexactos, debido a la simplificación de las verdaderas condiciones de carga y los detalles de modelado. Por otro lado, los datos de los sensores no pueden proporcionar la información de resistencia de campo completo de la estructura, lo que puede resultar en un juicio erróneo del estado estructural. Con este fin, se propone en este artículo un método de modelado de gemelos digitales de fusión de datos de múltiples fuentes basado en el aprendizaje por transferencia. En el aprendizaje por transferencia, los datos de simulación y los datos de sensores se utilizan como el conjunto de datos fuente y el conjunto de datos objetivo, respectivamente. Primero, se establece un modelo de red neuronal profunda (DNN) preentrenado basado en el conjunto de datos fuente. Luego, el modelo DNN preentrenado se ajusta finamente basado en el conjunto de datos objetivo utilizando una tasa de aprendizaje más baja y menos épocas de entrenamiento. Finalmente, se puede construir un modelo de gemelo digital, que es capaz de visualizar la información de resistencia de campo completo de la estructura de placa reforzada. Para verificar la efectividad del método propuesto, se lleva a cabo un estudio experimental sobre una placa reforzada jerárquica. En comparación con el método tradicional de fusión de datos, los resultados verifican la alta precisión de predicción y eficiencia del método propuesto, demostrando su potencial para el monitoreo de salud de resistencia de naves espaciales en órbita.