Con el desarrollo de la tecnología espacial, los métodos de aprendizaje profundo, con su excelente capacidad de generalización, se aplican cada vez más en diversas actividades espaciales. Los datos de objetos espaciales son difíciles de obtener, lo que limita en gran medida su aplicación en actividades espaciales. Las imágenes del conjunto de datos de naves espaciales públicas existentes son en su mayoría renderizadas, lo que no solo carece de significado físico, sino que también tiene datos limitados. En este artículo, proponemos un procedimiento de construcción efectivo para crear un conjunto de datos de objetos espaciales basado en STK, que puede ayudar a romper las limitaciones de los métodos de aprendizaje profundo en actividades espaciales. En primer lugar, basándonos en STK, realizamos simulaciones de órbita para 24 objetivos espaciales y establecemos el conjunto de datos de simulación; en segundo lugar, utilizamos 600 imágenes de 6 objetivos típicos y las etiquetamos para construir un conjunto de datos de validación de tomas reales. Finalmente, el conjunto de datos de objetos espaciales construido basado en STK se verifica como efectivo a través de seis redes de segmentación semántica, que pueden ser utilizadas para entrenar la segmentación semántica de naves espaciales reales. Muchos experimentos muestran que la precisión de la migración de los resultados de entrenamiento del conjunto de datos de simulación al conjunto de datos de tomas reales se reduce ligeramente, pero el mPA sigue siendo superior al 85%. En particular, después de agregar datos de simulación de física orbital, la precisión de seis métodos de segmentación semántica se mejora en general. Por lo tanto, la simulación física orbital basada en STK es un método efectivo para la construcción de conjuntos de datos de objetos espaciales.