X射线脉冲星导航作为一种新型天文导航方法,具有自主性强、可靠性高等优点。X射线脉冲星空间分布广泛、周期稳定性高,因此X射线脉冲星导航在深空探测、星际飞行等任务中具有很好的应用前景。脉冲星信号的辨识是X射线脉冲星导航系统的关键技术之一,研究一种快速、准确的辨识算法对脉冲星导航系统的工程实现具有重大的推动意义。脉冲星信号的辨识常用的方法是提取信号中具有平移不变性的特征,与标准信号的特征匹配进行识别。为了提高脉冲星信号辨识的速率并节省计算资源和存储空间,一些学者把机器学习算法应用到脉冲星信号的辨识方法中,并取得了比较好的辨识效果。近些年来,人工神经网络在机器学习、人工智能等领域取得了很好的研究成果。由于脉冲星旋转周期稳定性高,X射线脉冲星观测信号通过周期折叠算法按照正确的脉冲星周期折叠,能够得到具有一定特征的累积脉冲轮廓。而如果折叠的周期不正确,则得到的累积信号不具有明显特征。根据X射线脉冲星累积脉冲轮廓的上述特征,本文提出了一种基于人工神经网络的脉冲星信号辨识方法。分别构建了长短时记忆网络和卷积神经网络两种分类程序,根据长短时记忆网络和卷积神经网络处理数据格式的不同,分别提出了两类分类程序建立训练数据集和测试数据集的方法。为了验证卷积神经网络与长短时记忆网络对脉冲星信号累积脉冲轮廓的辨识能力,模拟了不同噪声强度的X射线脉冲星观测信号。从辨识准确率与网络训练时间两方面对比了卷积神经网络与长短时记忆网络的辨识效果。分析了不同噪声强度下,卷积神经网络与长短时记忆网络的辨识准确率随信号累积时长的变化关系,说明了当累积脉冲轮廓具有一定的信噪比时,卷积神经网络与长短时记忆网络对累积脉冲轮廓的辨识准确率都会很高。与传统基于双谱的X射线脉冲星信号辨识方法相比,在计算复杂度方面本文介绍的方法明显优于传统的方法。