La misión de las naves espaciales suele enfrentar el problema de un entorno desconocido en el espacio profundo, comunicación limitada a largas distancias y dinámicas ambientales complejas, lo que plantea nuevos desafíos para el nivel de inteligencia y el rendimiento en tiempo real de los algoritmos de optimización de trayectoria a bordo de las naves espaciales. En este artículo, se combina la teoría del control óptimo con la red neuronal. Luego, se utilizan los pares de muestras de estado-control y los pares de muestras de estado-costo obtenidos del algoritmo de alta fidelidad para entrenar la red neuronal y, a su vez, guiar a la nave espacial para lograr un control óptimo. El método propuesto se utiliza en dos misiones espaciales típicas para verificar su viabilidad. Primero, se describen las dinámicas del sistema del problema de reentrada hipersónica y del problema de aterrizaje lunar óptimo en combustible, y luego se formulan como problemas de control óptimo altamente no lineales. Además, se derivan las soluciones analíticas de las variables de control óptimo y del problema de valor en la frontera de dos puntos basándose en el principio de Pontryagin. Posteriormente, se resuelven trayectorias óptimas fuera de línea utilizando el método pseudospectral y métodos de tiro para formar conjuntos de datos de entrenamiento a gran escala. Adicionalmente, la red neuronal profunda bien entrenada se utiliza para iniciar en caliente el método de tiro indirecto proporcionando costos iniciales precisos, y así se puede mejorar significativamente el rendimiento en tiempo real del algoritmo. Al mapear la relación funcional no lineal entre el estado y el control óptimo, se obtiene además el predictor de control, que proporciona una estrategia de generación de variables de control óptimo de respaldo en caso de fallo en el tiro, y asegura la estabilidad y seguridad del algoritmo a bordo. Las simulaciones numéricas demuestran el rendimiento en tiempo real y la viabilidad del método propuesto.