La extracción de características de objetivos espaciales y el reconocimiento de objetivos infrarrojos espaciales son componentes importantes de la conciencia situacional espacial (SSA). Sin embargo, debido a la gran distancia de imagen entre el objetivo espacial y el detector infrarrojo, la señal infrarroja del objetivo recibida por el detector es tenue y fácilmente contaminada por ruido. Para mejorar efectivamente la precisión de la extracción de características y el reconocimiento, es esencial suprimir el ruido de la señal infrarroja. Por lo tanto, se propone un nuevo método de eliminación de ruido y extracción de características que combina la descomposición de modo variacional óptima (VMD) y la termometría de doble banda (DBT). Toma la entropía de distribución difusa ponderada media (FuzzDistEn) de las funciones de modo intrínseco limitadas por banda (BLIMFs) como el índice de optimización del algoritmo de libélula (DA) para obtener los parámetros óptimos (K, alpha) de VMD. Luego, se utiliza la VMD para descomponer la señal ruidosa y obtener una serie de BLIMFs, y se propone el coeficiente de correlación de Pearson (PCC) para determinar los modos efectivos para reconstruir la señal de eliminación de ruido. Finalmente, basado en la señal de eliminación de ruido, se calculan las características de temperatura y producto de emisividad-área utilizando la DBT. Los resultados de simulación y experimentación muestran que el método propuesto tiene un mejor rendimiento en la reducción de ruido en comparación con otros métodos de eliminación de ruido, y la precisión de la extracción de características se mejora a diferentes irradiancias equivalentes de ruido. Esto proporciona características más precisas de temperatura y producto de emisividad-área para el reconocimiento de objetivos infrarrojos tenues en el espacio.