天文暂现源携带了关于天体本身及宇宙演化过程的丰富信息,对暂现源进行探测与研究具有极为重要的科学价值。天文暂现源的辐射峰值大多在高能波段,因此受地球大气影响天基望远镜相对地基望远镜更适合于暂现源观测。受限于星地通信链路,天基望远镜拍摄的大量图像回传地面的工程代价高,且无效数据占有相当大的比例。受到星载计算机的性能约束,在天基很难实现依托于地面强大算力的卷积神经网络（Convolutional Neural Networks,CNN）暂现源检测算法。因此构建基于卷积神经网络的轻量化暂现源检测模型,并将其部署到星载有限算力平台中,对暂现源检测的未来空间应用有着重要的意义。本文主要的研究工作以及取得的成果包括以下几点:（1）对暂现源检测技术的研究现状进行了调研,分析了不同暂现源检测技术的优缺点以及主要检测的目标类型。寻找可靠性强且数据样本量大的天文暂现源数据集,并对数据集进行相关的预处理等操作,使其能够作为卷积神经网络模型的输入数据进行模型的训练优化工作。（2）根据预处理后数据集中天文暂现源图像的特点,构建了VGG16、Inception V3、Res Net32、Mobile Net V3等多种深度卷积神经网络,完成相关参数的初始化后基于构建的网络模型对数据集进行训练,并不断优化提升模型性能。实验结果表明,Inception V3和Mobile Net V3模型对天文暂现源数据集的检测效果良好,准确率分别为94.35%和90.22%,而VGG16和Res Net32模型准确率均不足90%。从模型硬件部署的角度,上述四种模型的参数量以及计算量均较大,模型较为复杂,不适用于部署到星载有限算力平台中。（3）深入分析了上述四种卷积神经网络模型的结构及其对应的性能表现,构建了三种基于轻量化CNN的暂现源检测方法,包括浅层次CNN暂现源检测模型（Shallow-level CNN Transient Detection,SCTD）、基于分组卷积的浅层次CNN暂现源检测模型（Group Shallow-level CNN Transient Detection,GSCTD）以及基于深度可分离卷积的浅层次CNN暂现源检测模型（Depthwise separable Shallowlevel CNN Transient Detection,DSCTD）。经实验验证,与目前暂现源检测准确率较高的Deep-Hits模型相比,本文构建的DSCTD模型的参数量不到Deep-Hi TS模型的1/5,计算量不到Deep-Hi TS模型的1/32,准确率达到98.44%,仅比DeepHi TS模型降低了1.01%,因而更适用于部署到星载有限算力平台,实现终端的暂现源检测。（4）完成硬件平台环境的搭建,将DSCTD模型进行优化后通过Tengine框架部署到嵌入式ARM硬件平台中,并对部署后模型的暂现源检测性能进行验证工作。经实验验证,部署后的模型暂现源检测准确率达到98.43%,输入500幅天文暂现源图像运行耗时为7.77s,能够较好的满足暂现源检测任务准确率以及实时性的要求。