X射线脉冲星导航(X-ray Pulsar-based Navigation, XPNAV)具有可靠性高、自主性强、适用范围广等特点,已经成为新一代极具研究意义的天文导航方法。利用接收到的X射线脉冲星光子信号对脉冲星进行快速准确的辨识是脉冲星导航的前提。因此,建立一种快速有效的辨识算法,对脉冲星导航系统的研究有着巨大的推动意义。传统的脉冲星信号辨识算法是在累积脉冲轮廓的基础上进行高阶累积量谱变换,提取信号的平移不变和尺度不变特征量,进行相关匹配,取得了很好的辨识效果。但是,累积脉冲轮廓是对到达光子信号进行处理之后得到的,而计算随机信号高阶累积量谱也需要大量的时间和存储空间,所以,传统的辨识算法在实际应用中有很大的局限性。基于上述问题,本文提出了一种基于极限学习机的辨识算法,直接从接收到的光子信号入手,对脉冲星信号进行辨识。该方法首先基于非齐次泊松过程对脉冲星光子信号进行建模,然后在该模型下,选取同一周期内不同子时间间隔内的光子数构成一组向量,归一化处理后作为特征向量,最终用核极限学习机方法进行信号辨识。极限学习机是基于单隐层前馈神经网络的一种新型机器学习算法。仿真实验表明,极限学习机只要求激活函数无穷阶可微,在输入权值和隐藏节点偏置随机生成的情况下,神经网络的所有参数就不必迭代调整,并且只通过一步计算就即可求出网络的输出权值。与传统的脉冲星信号辨识算法相比,该算法在取得相似辨识准确率的同时,极大地降低了计算复杂度,提高了系统辨识速度,适用于对实时性要求较高的导航定位系统,具有更高的研究价值和实际应用价值。