宇宙背景中电磁环境复杂,X射线脉冲星信号辨识作为脉冲星导航的关键技术之一是航天器进行定位、定姿的基础,具有十分重要的研究意义。脉冲星辨识通常的方法是对信号进行分析,提取、对比相关特征进行识别。领域内已有一些辨识效果较好的方法,但是这些方法都是基于脉冲星累积轮廓的,有些脉冲星可以在较短时间累积出可辨识的轮廓,但是还有一些脉冲星经过较长时间的累积仍不理想。机器学习的方法目前应用广泛且效果好,已有学者将机器学习的方法引入脉冲星的辨识,在一定条件下,可成功进行辨识,且机器学习的算法速度极快,适合于资源有限的航天器导航。将机器学习的方法应用在脉冲星辨识中还在初尝试阶段,仍有很大的研究空间,以取得更好的效果。极限学习机具有简单易用,快速有效的优点,但利用极限学习机直接对脉冲星信号进行分类,易受到噪声影响,致使分类准确率大大下降。采用核极限学习机对脉冲星信号进行分类辨识,可以提高噪声情况下辨识算法的分类准确率,具有显著的研究价值。核函数作为核极限学习机分类器的核心部分,对于核函数的选择,不同核函数的性能,都是值得探讨的问题,现有的效果较好的核函数为高斯核函数和小波核函数,由于小波函数种类较多,能作为核函数的小波核也较多,本文仅以应用较多的Morlet为研究对象,并仿真实验。核函数参数的选择也是影响核极限学习机分类器性能的重要因素,因此需要选择合适的核参数优化算法,选择最优核参数,以取得更好的辨识效果。考虑到脉冲星信号为微弱信号,宇宙背景复杂,本文首先对脉冲星信号进行分析,在此基础上分析脉冲星信号噪声以及相应的去噪方法,使脉冲星辨识在保证时效性的基础上能够更加有效。核极限学习机脉冲星辨识的关键技术在于核函数以及核参数的选择,本文通过系统的对核函数及核参数的选择分析讨论,实验仿真对比不同核函数的选择对脉冲星辨识效果的影响,以及利用实验分析核参数的选择对脉冲星辨识的影响,发现根据经验设置核参数不能发挥核极限学习机的最大性能。提出了基于粒子群优化的小波核极限学习机对脉冲星进行辨识,通过实验可看出粒子群算法相比网格搜索法,可以更快速的实现核参数的寻优,利用优化后的参数进行不同情况下的脉冲星信号辨识,大大提高了辨识效率与正确率。实验证明,小波核极限学习机脉冲星辨识算法能够快速有效进行脉冲星的辨识。