对地观测卫星是人类获取地球空间信息的重要载体,在经济建设、社会发展、国防安全等领域发挥着巨大的作用。卫星任务规划作为对地观测卫星工作流程的重要环节,对于提升卫星观测效率具有重要意义。多星任务规划问题通常包含收益最大化、约束条件满足、规划效率等子问题,直接利用单一模型进行求解比较困难且效率不高。若将该问题分解为若干个相对简单的子问题,在此基础上针对不同的子问题设计相适应的算法进行求解,有利于降低求解的难度,提升任务规划的效率。为此,论文提出一种基于层次预测的多星观测任务规划方法,主要研究工作如下:第一,提出一种基于层次预测的多星观测任务规划框架。卫星任务规划方案包含预执行任务集合和不执行任务集合,其中预执行任务集合包含任务分配信息。受任务可调度性预测的启发,将多星任务规划问题分解为两个层次的子问题:任务可调度性预测和任务分配,在此基础上提出基于层次预测的多星观测任务规划框架。该框架利用深度学习模型对预执行的观测任务进行预测、分配,由此得到初始规划方案,最后利用启发式算法对该初始方案进行快速优化获得可行规划结果。该框架将深度学习方法与启发式算法相结合,利用卫星历史规划数据进行卫星任务规划。第二,提出一种基于Bi-GRU的卫星观测任务可调度性预测方法。为了获取卫星预执行观测任务集合,论文对观测任务进行任务可调度性预测。卫星观测任务因约束条件而与其它观测任务产生相互依赖关系。在进行任务可调度性预测时,需要从全局的角度出发,综合利用自身的特征信息与观测任务间的时序信息进行预测。鉴于此,论文提出一种基于双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi-GRU）的卫星观测任务可调度性预测模型,该模型能够提取前驱观测任务序列和后继观测任务序列的时序特征,利用正向与反向依赖关系预测预执行任务。实验结果表明,论文提出算法的预测准确率可以达到90%以上,在准确率、精确率、召回率、F1值指标上均优于以往研究模型;预测收益与标签算法收益比值接近于1:1。第三,提出一种基于Transformer和随机爬山的多星观测任务分配方法。为了获取最终任务规划方案,论文对任务可调度性预测结果进行任务分配预测与优化调整。任务分配预测问题相对于任务可调度性预测问题更为复杂,需要对预执行观测任务进行更为精细的预测。为此,提出一种基于Google时序预测模型Transformer的多星观测任务分配预测方法,利用多头注意力机制计算观测任务之间的注意力权重,经过多次计算捕获更多观测任务序列中的依赖关系。为保证规划方案的可行性,提出了一种基于随机爬山的约束修正算法,对预测结果进行优化调整。实验结果表明本文方法在不同规模的场景下收益均与CPLEX软件相当,但是用时缩减了80%以上。