姿态敏感器可以完成飞行器姿态的测量和控制，相比于一般的姿态敏感器，星敏感器具有精度高、能够实现自主导航的特点。星敏感器依靠星图识别算法确定位置信息后进行姿态调整，星图识别的准确性直接影响了姿态测量的准确度，所以对于星图识别的研究是重要且有意义的。　　本文将对星图识别的三个方面进行研究，分别是导航星库的构建、星图的处理和星图如何快速匹配的问题。对已有的算法进行对比分析，针对噪声干扰，寻求将识别算法鲁棒性提高且减少导航星库存储的方法。　　论文实现了从星图模拟、星图的处理到星图匹配，最后进行算法评价整个过程。选取了SAO星表作为基本星表，对其进行了星等筛选和双星的处理，设定星等阈值为6.5，并将双星合并为一颗星，构造了基本导航星库。接着利用这些数据进行了星图模拟，对模拟星图加入高斯噪声进行分析。将实际采集星图进行了滤波和阈值分离等图像预处理，针对坐标位置，分别用质心算法、平方加权质心算法和带阈值质心算法进行了提取分析，并建立评价体系进行精度评价。　　针对星图匹配，本文对经典三角形算法和栅格算法进行了分析，并基于栅格算法，提出了基于神经网络的星图识别算法，采用栅格算法生成网格矩阵，将网格里有星的行列号提取出来，计算无星的数量，以此构造特征向量作为输入样本，使用多个BP网络进行训练后识别。也在传统三角形的基础上，提出了改进的三角形算法，将星等作为辅助信息，确定主星，挑选4颗伴星构成5颗星，形成双导航三角形进行识别。　　最后对星图识别进行算法评价，主要分为鲁棒性、识别率、识别时间和存储容量分析。经过仿真实验对比分析，基于神经网络的星图识别算法相对栅格算法和传统三角形算法有着更好的鲁棒性，识别速度得到了提升而且存储容量减小的同时还有着较高的识别率，但是相对其他已有算法，它的训练时间较长。改进的三角形算法相比传统的三角形算法提高了识别速度，减少了导航星库的容量。实验结果证明基于神经网络的星图识别算法具有更好的鲁棒性，改进的三角形算法也减少了导航星库容量，抗干扰能力也有所提高，相比神经网络算法适用性更强。