本文以发展支持向量机(support vector machines, SVM)方法、推进其在图像处理中的应用为基础,以进一步改进星敏感器的性能、提高星敏感器的可靠性为目标,着重从理论和实验两个方面展开工作。对如何将SVM 应用于像素级图像处理,进一步提高星敏感器的性能和可靠性进行了深入地研究。研究的主要内容包括:(a)映射二乘向量机(mapped least squares support vector machines, MLS-SVM)理论与方法; (b)星图中星的提取方法——极值点法; (c)动态星等阈值(dynamic visual magnitude threshold, DVMT)导航星选取算法; (d)动态符号星等阈值(dynamic label visual magnitude threshold, DLVMT)导航星三角形信息表的优化算法; (e)自主星图识别算法——B 矢量法。具体内容如下: (1)提出了MLS-SVM 理论和方法。通过映射技术,将具有相同输入矢量集合但具有不同输出符号集合的二乘向量机(least squares support vector machines, LS-SVM)学习问题转换成一个常矢量空间中的训练问题,此时,LS-SVM 中优化问题的解可以非常容易地获得。一旦一个矩阵的逆被求出后,就可运用到整个MLS-SVM的求解。这个要求逆的矩阵只取决于输入矢量集合,与输出符号集无关。这样,求解MLS-SVM 的计算复杂度降低到了O(N~2),仅只需要一个矩阵乘法操作即可。研究了MLS-SVM 的特性和加权MLS-SVM 方法。通过对基于MLS-SVM 的滤波器频率响应的分析研究了MLS-SVM 的特性。研究表明,MLS-SVM 本质上是对图像信号进行低频和高频分解,其中偏移项b 对应图像的低频部分,乘积之和对应图像的高频部分,而支持向量的支持度则是一个高通滤波器对原图像进行滤波的结果; 在稀疏化的LS-SVM 中,图像中的边缘和精细特征部分的像素最可能成为支持向量; 基于高斯核的MLS-SVM 的核参数σ~2存在最优设置,调整因子γ的取值直接由图像本身的频谱特性确定。为了将某种先验知识引入到MLS-SVM 中,提出了加权MLS-SVM方法。讨论了MLS-SVM 在图像放大插值和边缘检测等图像处理中的应用方法。(2)提出了基于MLS-SVM 的星图中星的提取方法——极值点法。以基于径向基核函数和多项式核函数相混合的混合核的MLS-SVM 对星图图像的灰度曲面进行拟合,导出了二阶方向导数算子。根据极值理论,利用导出的二阶方向导数算子与星图图像的卷积运算,可确定位于星图灰度拟合曲面上的灰度极大值像素,获得候选导