1.一种基于卷积神经网络的空间目标识别系统，包括计算单元和存储单元，其特征在于，所述计算单元包括用于提取特征的卷积层、用于降低维度的池化层、用于组合特征的全连接层，所述卷积层包括用于分离目标和背景的稀疏卷积模块；所述存储单元包括用于存储权重值和偏置值的RAM模块、用于存储分类标签的ROM模块；

整个系统硬件根据CNN网络结构进行设计，利用FPGA硬件电路并行特性将每一层设计为单独的一个模块，最后的分类层利用集成学习字典分类器来完成输入数据的分类结果，再经过反向传播算法计算出所需要更新的权值；系统首先由控制器初始化每一层卷积核Kernel的权重数值索引地址，根据索引地址从RAM模块当中加载权重数值和偏置值；在前向传播时将输入数据通过输入信号进入数据缓冲区，然后根据每层的输出特征图的个数与卷积核完成卷积运算，将运算的结果经过激活函数ReLU和偏置完成当前层的最终输出特征图并输入下一层当中；当经过池化层时进行下采样运算，从而降低特征图的维数；最后Softmax分类器根据输入的数据通过查找ROM中与之对应的数值在经过概率转换后完成最终的输出结果；在反向传播时，根据ROM当中的标签与输出结果进行比较得出每一层的残差保存至RAM当中，计算完成后根据所设定的学习率来完成所有卷积层中卷积核的权值和偏置值的更新，并将更新后的权值由控制器保存到相应的存储位置，直至所有训练数据输入完成。

2.一种空间目标识别模型的构建方法，涉及权利要求1所述的基于卷积神经网络的空间目标识别系统，其特征在于，包括以下步骤：S1：输入训练样本集；

S2：建立稀疏化卷积神经网络空间目标识别系统，该系统包括卷积层、池化层、全连接层，所述卷积层采用剪枝算法，将空间目标的特征分为稀疏特征矩阵和稠密特征矩阵，所述稀疏特征矩阵代表背景，所述稠密特征矩阵代表目标；

S3：初始化上述神经网络的参数，之后对上述训练样本集中的样本逐个进行特征提取、特征分类和样本标注，并且在上述操作的过程中所述空间目标识别系统会对所述神经网络的参数进行更新；

S4：全部样本识别完成以后，即可得到空间目标识别模型。

3.根据权利要求2所述的空间目标识别模型的构建方法，其特征在于，所述卷基层的输出结果经过激活函数ReLU和偏置后输入池化层。

4.根据权利要求2所述的空间目标识别模型的构建方法，其特征在于，所述训练样本集包括正、负目标样本一万张，其中正目标样本指含有所述空间目标的图像样本，负目标样本指其它不含所述空间目标的图像样本。

5.根据权利要求2所述的空间目标识别模型的构建方法，其特征在于，所述空间目标的特征还包括颜色、纹理、形状。

6.根据权利要求2所述的空间目标识别模型的构建方法，其特征在于，所述训练样本集在训练以前，需要进行预处理：编码，设置阈值，模式改善，正规化，离散模式运算。

7.一种空间目标识别方法，涉及权利要求2所述的空间目标识别模型，其特征在于，包括如下步骤：Ⅰ、将待识别的图像输入所述空间目标识别模型中的存储单元中；

Ⅱ、利用稀疏卷积神经网络对所述图像进行特征提取；

Ⅲ、将上述特征的参数和所述空间目标识别模型中的参数进行匹配，若参数完全匹配，则表示待识别图像中含有目标，否则判断图像为背景。

8.根据权利要求7所述的空间目标识别方法，其特征在于，所述步骤Ⅱ中图像在进行特征提取前先进行预处理，将图像调整为与所述空间目标识别模型的训练样本表观特性相同。