深空探测作为航天领域发展的重要方向,对航天器自主运行能力有较高的要求。天文导航将自然天体信号作为导航目标,能够从测角、测距、测速三种途径实现航天器快速定位和姿态调整。多普勒测速导航是近年来新兴的天文自主导航方法,利用航天器搭载的摄谱仪获取光学谱线信息,可实时获得航天器相对导航源的径向速度。该方法高度自主,求解简单,摆脱了地面支持的局限性和轨道动力学模型的复杂性。在目前对多普勒测速的研究中,导航源可分为两类:太阳和系外恒星。太阳作为太阳系唯一一颗恒星,相对其他恒星距离地球近,光照辐射度能量强,但太阳较为活跃,引发的太阳黑子、耀斑、日珥等会造成光谱变化,导致速度测量存在偏移。恒星数量众多,但是离地球过于遥远,大部分光照辐射度较弱的恒星谱线容易被宇宙噪声所掩盖,并非所有恒星光谱都适合用于测速,如何筛选确定导航源是恒星光谱测速的关键。本文根据目前多普勒测速导航的研究现状,分别对太阳光谱和恒星光谱测速中的问题展开探讨和研究,具体如下:（1）针对太阳光谱测速导航,分析太阳多普勒差分导航的测速精度。太阳多普勒差分导航可以降低太阳活动导致的光谱畸变对光谱红移测速的影响,在捕获阶段起着至关重要的作用,但对实际应用中可能出现的误差还缺乏相关分析。光谱测速精度是衡量太阳多普勒差分导航的一项重要性能指标。为分析光谱变化对测速精度的影响,根据多普勒频移测速理论,建立太阳多普勒差分速度模型,提出了速度精度分析方法。该方法首先通过小波变换滤除反射噪声,再利用超分辨率互相关求解红移值,从而计算出航天器相对惯性坐标系的速度。结合已有的太阳光谱和火星反射数据,选取了最明显的13根吸收谱线进行红移模拟和解算。实验结果表明,多普勒差分导航的速度测量精度可达到0.1312m/s,谱线的宽度与深度,行星反射率,以及光谱自身的波动和反射噪声,都会对速度精度造成一定的影响。（2）针对恒星光谱测速导航,提出了基于深度学习的分类方法寻找适合导航的光谱。恒星光谱如果光照流量低,谱线不明显,很容易受到宇宙噪声的干扰,掩盖原谱线的信息,无法为天文导航提供有效的速度进行定位导航。为了给恒星光谱测速自主导航提供良好的导航源目标,提出了基于一维光谱的卷积神经网络和基于折叠光谱的残差网络的光谱分类识别方法。该方法首先采用插值和截取保证光谱数据集分辨率的统一,再利用最大-最小值归一化和Borderline-SMOTE过采样技术提高模型对光谱的分类识别能力。针对两种神经网络的不同,分别使用处理过的一维1*4000的光谱数据和经过折叠64*64的光谱数据进行训练,模型采用accuracy,loss,混淆矩阵,F1-score作为评价指标。实验结果表明,和卷积神经网络相比,残差网络具有更精准的分类能力,但以较大的时间开销为代价。对光谱子类进行划分,分类效果较好。根据谱线特征把A0型光谱作为最佳导航源选择,能筛选出理想的导航源。