Nell'ambito della ricerca spaziale e dell'intelligenza artificiale, questa tesi magistrale si concentra sullo sviluppo e l'implementazione del Monte Carlo Tree Search (MCTS), un'avanzata famiglia di algoritmi decisionali, integrati con le più recenti innovazioni nel campo del Machine Learning (ML) e del Deep Learning (DL). Questa classe di algoritmi prevede l'adozione di strategie derivate dal Reinforcement Learning (RL), incluse le simulazioni Monte Carlo e l'impiego del Markov Decision Process (MDP), costituendo la base per affrontare il problema studiato, insieme all'integrazione di tecnologie avanzate di Deep Learning come le Deep Neural Networks (DNN). Lo scopo primario di questo studio è affrontare le complessità inerenti alla navigazione e alla pianificazione di missioni spaziali, mirando specificatamente all'ottimizzazione delle traiettorie nello spazio interplanetario attraverso un approccio ibrido.