随着科技的飞速进步,人类展开了更为深入的深空探测活动,深空导航技术也在不断发展的。其中,X射线脉冲星导航方法得到了越来越多的重视,而精准的脉冲星辨识作为其首要环节有着十分重要的研究意义。深度学习能够在大规模数据中学习到数据特征,能够应用至脉冲星辨识问题之中,然而深度模型体积庞大、难于部署,并且面对增量数据时的训练效率低。本文针对脉冲星辨识模型展开了相关的优化研究,在实现精准辨识的基础上,对辨识模型进行了压缩加速优化,并针对辨识模型设计了增量学习策略来实现脉冲星增量数据的学习。具体内容如下:首先,基于深度卷积神经网络实现了脉冲星的精准辨识。对X射线脉冲星信号进行泛周期历元折叠,使用具有更丰富特征信息的泛周期折叠轮廓作为辨识特征。针对脉冲星辨识问题,在深度卷积神经网络Efficient Net的基础上对其进行改进,设计了Modified-Efficien Net作为脉冲星辨识模型。通过对真实数据集进行学习训练,并与原网络及浅层网络进行对比,验证了该辨识模型的有效性。其次,基于网络剪枝与参数量化实现了辨识模型的压缩优化。本文对网络剪枝进行了研究,对辨识网络的模型结构进行了分析,对其参数进行重要性评估,并去除模型中重要性程度低的参数,从而实现模型的体积压缩,最后通过模型微调来恢复精度;利用Tensor Rt中的量化功能,将模型参数由32位量化至8位,并将相邻层进行融合计算,进一步对模型进行压缩加速。实验结果表明,网络剪枝与参数量化相结合的优化策略能够实现更好的压缩加速效果,更易于辨识模型的部署应用。最后,针对脉冲星辨识问题设计了一种基于网络剪枝的增量学习策略。脉冲星数据的增量学习可以看作是一种任务增量学习问题,本文基于参数隔离的思想,通过网络剪枝来实现冗余参数的释放,并利用释放的参数参与到新数据的训练之中,实现增量数据的学习训练。通过设置5个增量学习任务进行增量学习实验,结果表明,本文设计的增量学习策略能够使深度模型在避免灾难性遗忘问题的基础上进行脉冲星数据高效的增量学习。