针对密集观测场景下敏捷成像卫星任务规划问题求解空间大、输入任务序列较长的特点，综合考虑时间窗口约束、任务转移时卫星姿态调整时间、存储约束和电量约束，对敏捷成像卫星任务规划问题进行建模. 提出融合IndRNN和Pointer Networks的算法模型（Ind-PN）对敏捷成像卫星任务规划问题进行求解，使用多层的IndRNN结构作为算法模型的解码器. 基于Pointer Networks机制对输入任务序列进行选择，使用Mask向量考虑敏捷成像卫星任务规划问题中的各类约束. 基于Actor Critic强化学习算法对算法模型进行训练，以获得最大的观测收益率. 实验结果表明，对于密集观测场景下的任务规划，Ind-PN算法的收敛速度更快，可以获得更高的观测收益率.
