Viele Anwendungen zur satellitenbasierten Erdbeobachtung sind auf hochauflösende Daten angewiesen. Infolgedessen hat die Menge der Daten stark zugenommen, was aufgrund von begrenzten Kommunikationsmöglichkeiten zwischen Satelliten und der Erde ein ernsthaftes Problem darstellt. Insbesondere sind Kleinsatelliten davon betroffen. Sie ermöglichen zwar schnell umzusetzende und kostengünstige Weltraummissionen, aber schränken aufgrund ihrer Größe die Download-Raten ein. Dadurch entsteht eine grundlegende Diskrepanz zwischen den schnell wachsenden Datenerzeugungsraten und den deutlich langsamer wachsenden Downlink-Kapazitäten. In dieser Arbeit werden systematisch Lösungen untersucht, die dieses Problem adressieren. Der Lösungsraum lässt sich in zwei Kategorien unterteilen. Die erste Kategorie umfasst Techniken, die das Problem durch Verteilung angehen. So können mehrere Satelliten eingesetzt werden, um die Einschränkungen von einzelnen Satelliten zu überwinden. Die zweite Kategorie umfasst Lösungen, die den Kommunikationsbedarf durch die Verarbeitung der Daten an Bord der Satelliten verringern. Die Beiträge zur ersten Kategorie liegen im Bereich von mathematischer Optimierung, die einen effizienten Umgang mit Satellitenmobilität ermöglicht. Die Berechnungskomplexität ist hierbei ein wichtiger limitierender Faktor. Daher wird ein Dekompositionsansatz vorgeschlagen, um die Optimierungsprobleme effizient zu lösen. Zur zweiten Kategorie leistet diese Arbeit zwei Beiträge. Erstens wird ein Mechanismus zur Datenkompression und Kommunikation betrachtet. Zu diesem Zweck wird ein neuronales Netz trainiert, das es erlaubt, Quell- und Kanal-Kodierung für Kommunikation gemeinsam zu optimieren. Zweitens, um effiziente Aktualisierung von neuronalen Netzen an Bord von Satelliten zu ermöglichen, werden Kommunikationsprotokolle entwickelt, die eine inkrementelle Übertragung neuronaler Netze erlauben und so deren Nutzung bei teilweise fehlenden Parametern ermöglichen. / The importance of timely analysis of Earth observation data can hardly be overestimated. The ever-growing demand for it in many areas, such as climate monitoring and disaster management, has encouraged rapid advances of satellite technologies. As a result, the amount of satellite data has grown significantly. Meanwhile, small satellites have gained popularity in the space industry. Their use constrains the download rates due to energy restrictions as well as limited communication opportunities with Earth. This creates a fundamental gap between growing data generation rates and downlink capacities, which increase at a much slower pace. We cannot expect this gap to be soon eliminated by the advances in communication technologies. In this thesis, we systematically explore the scope of solutions that allow to mitigate this problem, which we divide into two categories. The first category includes techniques approaching the problem in a distributed manner. For instance, multiple satellites can be introduced to deal with intermittent connectivity. The second category comprises solutions that aim to reduce the communication demand by processing the data onboard. To contribute to the first category, we formulate an optimization program that models communication in a satellite constellation. To reduce the computation complexity, we propose a decomposition approach that allows to efficiently solve such optimization problems. Our contribution to the second category is twofold. First, to dynamically address the challenges arising in small satellite networks, we combine data compression and communication. To this end, we introduce joint source-channel coding using neural networks for satellite communication. Second, we identify the limited opportunities for updating neural networks from Earth as an important issue. To allow for early deployment of updated neural network models, we develop communication protocols, enabling incremental updates of their parameters.