对地观测卫星（Earth Observing Satellites, EOSs）利用星载遥感器从太空获取地表信息，具有覆盖区域广、持续时间长、不受空域国界限制等诸多优势，在军事侦察、防灾减灾、环境保护等领域具有广泛的应用，已成为当前遥感信息获取的重要手段。随着当前在轨卫星数量的不断增加以及卫星智能水平的逐渐提升，面对日益复杂而繁多的目标观测请求，如何有效地协同规划调度多颗卫星完成观测任务，提高观测效益，成为近年来卫星应用领域研究的重点之一，其在军事和民用方面具有重要的应用价值和现实意义。本文立足于协同，重点针对不同任务规划环境的卫星分布式协同任务规划问题展开研究。主要工作及创新点如下：（1）分析了卫星分布式协同任务规划问题的要素，建立了卫星协同任务规划问题的分布式求解框架从基本的规划问题出发，深入分析了卫星协同任务规划所涉及的关键要素，分别建立了卫星资源、卫星能力、观测目标、网络通信在内的各组成要素的形式化模型；分析了卫星协同任务规划问题所具有的系统分散性、观测资源协作性、网络拓扑结构的复杂性以及环境不确定性等特点；基于单星层次化的物理结构，建立卫星自主规划的逻辑流程；进而建立了卫星协同任务规划的分布式系统结构，通过关键问题分解，提炼出信息实时获取条件下的多星协同规划、支持通信延迟的多星协同优化决策和面向动态任务的多星协同任务分配三个相互衔接的关键子问题。（2）针对信息实时获取条件下的卫星协同任务规划问题，建立了卫星分布式约束优化模型，提出了基于Nash最优与合作协同进化相结合的分布式优化迭代求解方法在分析多星之间的分布式协同结构和卫星约束的基础上，建立了基于分布式约束优化（DCOP）的卫星分布式协同任务规划模型。在假定在信息实时获取的基础上，基于“分治-合作”策略提出了Nash最优与合作协同进化相结合的卫星分布式迭代求解算法；采用k近邻方法分解观测目标集合，每颗卫星能够通过网络获取信息进行充分协同。仿真实验结果表明：所提出的分布式合作协同进化算法对于不同规模和分布的算例具有良好的优化性和散布性；本文算法虽然较集中式方法在整体观测效益上存在一定差异，但分布式方法能够有效地减少优化问题的规模，从而缩短优化计算的时间，降低计算的复杂性，对于提高卫星协同规划能力具有一定现实可行性。（3）针对通信延迟条件下的卫星协同优化决策问题，建立了卫星协同优化决策模型，提出了适应延迟通信的统一处理策略，设计了卫星优化策略的搜索方法构造了基于联合时序有向无圈图的多星协同优化决策环境；针对卫星协同优化决策系统动态性解耦的特点，研究了基于分布式部分可见马尔可夫决策过程（DEC-POMDP）的多星分布式系统建模方法；在此框架下，将集中式优化问题转化为多颗卫星之间有限独立的分布式优化决策问题；随后讨论了卫星分布式协同优化决策算法，分析了不同通信延迟条件对协同优化决策的影响，并给出了统一的通信延迟处理策略；提出了改进的快速模拟退火算法搜索卫星近似优化观测策略。仿真实验表明：改进的快速模拟退火算法相对于现有的模拟退火算法在观测策略的搜索效率和搜索质量上均有一定提升；协同近似策略迭代搜索算法在通信延迟的情况下性能优于基于值迭代算法，能够有效提高卫星协同优化决策系统对于通信延迟的适应性。（4）建立了一种面向动态任务的多星混合学习框架，提出了任务不变条件下的任务分配策略算法，提出了任务变化条件下的增量策略迁移学习算法首先建立了面向动态任务的卫星协同分配决策模型；针对求解多星动态任务协同分配问题中的规划质量和求解效率的需求，注意到动态任务是对历史观测目标集合的增量式扩展关系，提出了一个“优化策略-迁移策略”的混合学习框架；在此框架下，分别针对两个核心问题进行研究：当任务不发生变化时，基于多智能体强化学习的思想提出了MACoNEAT算法，迭代搜索协同规划学习策略；当出现新的观测目标请求时，提出了增量任务迁移学习算法，通过策略个体之间的相似性将历史规划学习策略迁移至至当前的解空间。仿真实验结果表明：当任务不变时，MACoNEAT算法在增加一定计算时间的前提下较其它分布式协同算法取得了更好的观测效益。当出现新的观测任务请求时，混合学习算法在保证优化质量的前提下，可以加快算法的计算收敛速度，保证了系统对随机出现的观测任务请求具有良好的适应性。