Para abordar el problema de la mala clasificación y la disminución de la precisión que es prevalente en los modelos de reconocimiento de intenciones existentes para naves espaciales no cooperativas debido a la omisión de influencias ambientales, este documento presenta un nuevo marco de reconocimiento que aprovecha una red neuronal híbrida sujeta a múltiples restricciones. El movimiento orbital relativo de los objetivos se caracteriza y categoriza mediante el uso de las ecuaciones de Clohessy-Wiltshire, formando la base de un conjunto de datos de intenciones restringidas utilizado para el entrenamiento y la evaluación. Además, el método incorpora una arquitectura compuesta que combina una red neuronal convolucional (CNN), una unidad de memoria a corto y largo plazo (LSTM) y un mecanismo de autoatención (SA) para mejorar el rendimiento del reconocimiento. Los resultados experimentales demuestran que el modelo integrado CNN-LSTM-SA alcanza una precisión de reconocimiento del 98.6%, superando significativamente a los métodos tradicionales y a los modelos de redes neuronales. Además, demuestra alta eficiencia, lo que indica una promesa significativa para aplicaciones prácticas en la evitación de colisiones de naves espaciales y en la realización de maniobras orbitales.