探索小行星对于人类有重要意义,部署探测器在小行星上进行着陆探测是对小行星进行深度探测的基础。对于不能依靠地球无线电定位的小行星着陆器而言,自主导航定位是决定任务能否完成的关键技术。在众多导航方法中,光学导航方法具有设备轻便可靠,能耗低等优势,并且在小行星的弱引力环境和无大气遮挡的光照环境下具有极强的实用性。由于小行星自转速度较快,会带来小行星表面的光照不断变化的问题,要实现探测器在着陆中使用光学导航方法进行自主导航定位,必须解决光学导航对光照敏感的问题。本论文以小行星探测着陆器光学自主导航为背景,针对光学导航方法对光照敏感的问题进展开研究,从图像预处理和特征提取的角度提出了解决方案,有效提高了光学导航方法对光照的鲁棒性。论文的主要内容如下:首先,对光学导航方法进行了深入研究,针对小行星着陆任务特点,研究了基于和特征库匹配的矢量测量光学导航方法。为了减少光学导航的测量误差以及增强导航系统对光照的鲁棒性,设计了光学惯性组合导航系统。其次,针对光学导航中的重要步骤—特征提取和特征配方法进行了研究,介绍了MET特征提取方法、基于K-means的特征提取法以及基于Hu矩的特征区域匹配方法。针对光学导航中的特征的提取和匹配易受到光照不良的影响的问题,通过对小行星附近的光照环境进行了深入分析,建立了基于太阳照射角度的反射光模型,并且在研究了对光照对图像的影响之后,建立了基于太阳照射角度的缺光图像模型,该模型可以为改进光学导航光照鲁棒性的方法提供验证条件。然后,基于对小行星光照环境的分析,提出了基于太阳照射角度的gamma变换方法以及改进的基于高斯金字塔的图像细节增强方法。使用两种方法作为图像预处理步骤加入光学导航中,使用特征提取方法对预处理方法进行了验证,仿真实验证明图像预处理方法能够有效改进特征提取方法的光照鲁棒性。最后,针对传统特征提取方法提取正确性低以及对光照敏感的问题,提出基于深度学习的小行星表面特征提取方法,使用YOLO V3神经网络作为基础结构,使用标注过的小行星和其他行星图像作为数据集,使用缺光图像模型对训练集进行扩充增强,使用增强的和未增强的数据集对神经网络进行训练,得到具有光照鲁棒性的特征提取器。通过对比实验证明,本方法相较于传统的特征提取方法提取正确性更高,在光照不良的图像中能够稳定地提取出特征。通过光照不良条件下的视觉惯性导航仿真实验,证明基于深度学习的特征区域提取方法能够在光照不良情况下保障导航任务的完成。