Die intelligente Interpretation von Luft- und Raumfahrt-Nachrichtendaten ist der Prozess, bei dem künstliche Intelligenz-Technologien verwendet werden, um mehrere Quellendaten von einer Luft- und Raumfahrtplattform intelligent zu verarbeiten und zu interpretieren, um Informationen zu erhalten. Derzeit stützen sich die datengesteuerten intelligenten Interpretationsmodelle weitgehend auf umfangreiche Trainingsdatensätze und fortschrittliche Netzwerkstrukturen zur Verbesserung der Interpretationsleistung, aber Probleme wie die Abhängigkeit von annotierten Daten, die Instabilität der allgemeinen Szenarioanpassung und das Fehlen von Modellinterpretierbarkeit werden konfrontiert. Die ursachenbasierte intelligente Interpretation, die das kausale Denken mit tiefem Lernen kombiniert, kann diese Probleme effektiv lösen, um eine effizientere, verlässlichere und robustere Interpretation zu erreichen und könnte zu einem neuen Paradigma der intelligenten Interpretation von Luft- und Raumfahrt-Daten werden. Dieser Artikel konzentriert sich hauptsächlich auf die Forschung über Modelle zur intelligenten Interpretation von Luft- und Raumfahrtinformationen, die die kausale Theorie kombinieren, und beleuchtet zunächst die Trends der Luft- und Raumfahrtinformationsinterpretation aus den Bereichen Korrelation, Relevanz und Kausalität, und dann sich auf dem Wissensträger zu befinden, wobei temporale Merkmale von Luft- und Raumfahrtspatialdaten und räumliche Statistikmerkmale verwendet werden, untersucht er einen Rahmen für Kausalitätsanalyse für Raumfahrtinformationen und Kausalitätsdarstellungsmethoden, konzentriert sich hauptsächlich auf den Prozess des Aufbaus von kausalen intelligenten Interpretationsmodellen, einschließlich kausaler Graphenmodelle, kontrafaktischem Denken und Interventionsmerkmalen des Modells. Schließlich werden Anwendungen und Herausforderungen der kausalbasierten intelligenten Interpretation in der Raumbeobachtungsumgebung hervorgehoben.