准确高效地完成空间目标特性数据分析是遂行空间态势感知、空天环境资源应用、空间侦察情报生成等任务的重要支撑,也是各领域交叉运用的热点问题。随着观测设备和特性数据的增加,利用机器学习方法和深度神经网络模型进行多源多维空间目标特性分析逐渐成为研究热点。目前,深层神经网络为代表的人工智能技术极大地提升了图像、语音识别等诸多应用领域中的识别精度,并逐渐应用于空间目标特性分析领域,例如:电磁频谱、光度曲线、雷达成像等,但能够实现较高识别精度的深层神经网络需要更深的层数,更庞大的参数规模,使其无法有效地应用于小型化装备端,因此研究实现轻量化的空间目标特性分析的深层神经网络模型具有现实意义。本文研究围绕空间目标特性数据分析的深层神经网络轻量化技术展开,为聚焦空间目标特性数据实例,文中以电磁频谱的调制信号和雷达一维高分辨成像数据两种典型特性数据为代表设计研究轻量化特性分析网络的实现,分别从轻量化网络结构的自动搜索方法、自适应压缩方法、混合精度量化方法三方面开展研究,提出相应的算法并完成方法验证实验。（1）空间目标电磁特性调制识别的轻量化网络结构的自动搜索算法研究采用数据驱动的神经网络结构自动搜索方法实现面向空间目标电磁频谱数据的深层网络自动设计、层数单元的自动扩展及自动超参数调优。同时,结合轻量化设计和强化学习方法,通过设计搜索空间为轻量级算子、引入计算性能和模型参数容量作为性能指标,建立多目标的NAS优化模型进行训练,进一步实现电磁信号调制识别的轻量化神经网络结构自动搜索算法。（2）空间目标电磁特性调制识别的深层神经网络自适应压缩方法研究针对结构化方法中不同层次剪枝参数的自适应调整算法开展研究,实现针对应用于空间目标电磁信号调制识别的网络模型,并提出自适应的网络剪枝与稀疏化方法,实现了模型容量和计算效率的提升。（3）空间目标雷达HRRP特性识别的深度神经网络模型量化方法研究分析了基于HRRP和深度神经网络的空间目标识别方法,并针对其中神经网络结构中不同卷积层、稠密全连接层的量化方式开展研究,分析不同量化位宽方式对深度神经模型识别效能的影响,通过低位宽神经网络的量化训练,实现了面向基于HRRP和量化神经网络的空间目标识别算法,算法可以实现模型的压缩和加速,并在实际的支持低位宽的加速卡中进行了工程实践。