La estimación del número de fuentes juega un papel importante en la exitosa separación de señales ciegas. En la actualidad, la aplicación del aprendizaje automático permite el procesamiento de señales sin la extracción manual de características que consume tiempo y es compleja. Sin embargo, la red neuronal convolucional (CNN) para el procesamiento de señales complejas tiene algunos problemas, como la extracción incompleta de características y un alto consumo de recursos. En este documento, se estudia una red ligera de estimación del número de fuentes (LSNEN), que puede lograr una estimación robusta del número de señales complejas mixtas a baja relación señal-ruido (SNR). En comparación con otros métodos de estimación, que requieren extracción manual de características, nuestra red puede realizar la extracción de la característica de profundidad de los datos de señales originales. La red neuronal convolucional realiza el mapeo complejo de señales moduladas a través de la cascada de múltiples módulos convolucionales tridimensionales. Mediante el uso de un módulo de convolución tridimensional, se realiza el mapeo de la convolución de señales complejas. Para implementar la red en el terminal móvil con recursos limitados, proponemos además un método de compresión para la red. En primer lugar, se obtiene la red de estructura dispersa mediante el método de poda de pesos para acelerar la velocidad de razonamiento de la red. Luego, los pesos y los valores de activación de la red se cuantifican en un punto fijo con el método de cuantización de parámetros. Finalmente, se obtuvo una red ligera para la estimación del número de fuentes, que se comprimió de 12.92 MB a 3.78 MB con una tasa de compresión del 70.74%, logrando una precisión del 94.4%. En comparación con otros métodos de estimación, el método de red ligera propuesto en este documento tiene una precisión más alta, ocupa menos espacio del modelo y puede realizar la implementación en el terminal móvil.