深空探测是是人类获取太空知识,走向宇宙深处,实现自我认知的伟大征程。脉冲星的发现为探索大尺度时空提供了新方向,同时X射线脉冲星导航作为一种新兴的天文自主导航方式,它利用X射线脉冲星天体分布特点和宇宙灯塔特性为航天器提供导航信息,尤其适用于深空导航。本文针对X射线脉冲星信号处理领域的关键问题,利用脉冲星自转周期稳定、脉冲星信号循环平稳的特点,提取有效频域和时域特征,并结合与特征模型相匹配的神经网络,有效实现了已知脉冲星信号辨识、待定脉冲星信号搜索和脉冲星相位信息提取。主要研究内容如下:总结脉冲星的基本物理特性,包括其辐射机制、基本分类、信号特性。针对X射线脉冲星信号循环平稳的特性,给出该类信号常用的分析手段,包括循环平稳定义,循环统计量的低阶和高阶信息,以及相应的时域和频域特征表示方法。研究脉冲星信号基于循环平稳理论的特征表示方法。首先基于信号的循环平稳特性建立数学模型,模型中考虑了脉冲星辐射过程中的周期抖动、相关性干扰和高斯噪声。将信号模型分为确定性分量和随机性分量研究其频谱特点:有用信号的频谱是离散的,随机信号的频谱是连续的。引入循环统计量,分析脉冲星信号的二阶循环谱和三阶循环谱（循环双谱）分布特点,给出循环双谱的直接估计策略,相比于传统频谱其具备更好的抗噪特性和抗干扰特性以及更丰富的相位信息。介绍罗西X射线计时探测器卫星数据,并基于仿真和实测数据对所提方法加以验证。这种特征表示方法为后续与神经网络结合提供了建模思路和效果保障。提出了一种利用双谱和DCNN的已知X射线脉冲星信号辨识方法。由于脉冲星光子通量、传播距离以及探测器面积的限制,接收到的脉冲星信号往往十分微弱。传统的基于FFT的频谱搜索技术需要累积很长时间的观测数据才能获得合适的信噪比增益。本文利用包含了非均匀采样、高通滤波、自相关等策略的高阶谱估计方法在很大程度上抑制了噪声。同时将这种二维特征与Goog Le Net相结合,充分发挥了DCNN在二维数据挖掘方面的优势,精准的实现了脉冲星信号辨识任务。实验数据来自罗西X射线计时探测器数据库中的三颗旋转供能脉冲星:B0531+21、B0540-69、B1509-58,在三颗星观测时长仅有0.5s、40s、15s的情况下可达90%以上的分类准确率。进一步的实验表明,高通滤波和自相关能有效抑制红噪声和随机噪声,双谱的非均匀采样策略能有效避免频率泄露。虽然提出算法的时间复杂度（O（n2））高于传统的FFT（O（nlogn））,但该算法从实质上减少了观测时长的要求,因此其计算复杂度与传统方法相当。提出了二维自相关轮廓图谱新概念,并与DCNN相结合,有效实现了待定X射线脉冲星信号搜索。从众多待定脉冲星信号中搜索到有效信息是脉冲星天文学的重要课题,本章从空间X射线脉冲星信号入手,提出了一种名为二维自相关轮廓图谱的特征建模方法,其通过对X射线脉冲星信号的自相关函数进行历元折叠和周期轴时域信息扩充得到。与传统折叠轮廓相比,该特征具有更强的抗噪能力、更丰富的信息和更好的特征一致性。利用高斯仿真模型对二维自相关轮廓图谱的特征分布特性进行分析,发现其特征分布与轮廓双峰间距密切相关。之后在tensorflow框架下将其与Inception-Res Net相结合,从克服数据不平衡问题和提高网络泛化能力的角度给出样本集生成策略,网络训练方案和超参数调试策略。在网络收敛到稳定状态后能成功识别99%以上的脉冲星信号,排除99%以上的干扰。实验结果验证了DCNN与特征模型的高契合度,以及提出方法在脉冲星搜索领域的巨大潜力。提出了一种基于Transformer结构的X射线脉冲星相位信息提取方法。高精度的脉冲到达时间估计是实现X射线脉冲星导航的保障。本部分对二维自相关轮廓图谱进行简化,去除自相关环节以恢复相位信息,并将简化后的特征命名为二维轮廓图谱。考虑到二维轮廓图谱在相位方向上具备前后时序关系,使用近年来在自然语言处理领域大放异彩的开创性结构Transformer,对这种时序关系进行建模学习,实现相位高精度估计的目的。仿真实验结果表明:本文所提算法优于传统互相关算法,在X射线脉冲星导航方面有很大的应用潜力。