A medida que la importancia estratégica del espacio continúa creciendo, la tecnología de reconocimiento de objetivos espaciales es fundamental para avanzar en los sistemas de vigilancia espacial, optimizar el uso de los recursos espaciales y garantizar la seguridad espacial. Frente a los desafíos en el análisis de secuencias de sección transversal de radar (RCS), proponemos un método basado en aprendizaje profundo diseñado para mejorar la robustez y la precisión del análisis de secuencias de RCS para el reconocimiento de objetivos espaciales. Introducimos un novedoso método de estimación de período basado en funciones de combinación y análisis de varianza (ANOVA), que suprime eficazmente el ruido y captura las características periódicas con mayor precisión. Sobre esta base, proponemos un enfoque basado en Transformer para la estimación del tamaño a partir de secuencias de RCS, aprovechando el modelado avanzado de secuencias de los Transformers para reducir errores comunes en los métodos tradicionales, mejorando aún más la caracterización de objetivos espaciales. Luego, integramos las características de período y tamaño en un conjunto de características unificado e introducimos un módulo de interacción multi-característica basado en atención cruzada para fusionar características físicas y estadísticas, aprendiendo dependencias entre ellas para mejorar la precisión del reconocimiento de objetivos. Los resultados experimentales demuestran que nuestro enfoque mejora significativamente tanto el rendimiento como la estabilidad del reconocimiento de objetivos espaciales, proporcionando una base sólida para futuros avances en la tecnología de vigilancia espacial.