星敏感器在航天任务中通过对恒星进行识别以实现姿态测量，而星图识别算法作为其核心部分决定着星敏感器姿态定位的性能．针对现有的基于神经网络的星图识别算法难以在保证识别准确率的同时限制计算成本的问题，提出了一种基于注意力机制端到端轻量化网络MobileCiT的星图识别算法，用于直接识别星敏感器中的含噪声星图．MobileCiT在卷积神经网络的基础上采用深度可分离卷积和改进前置倒残差结构以实现星图识别算法的轻量化，同时引入注意力机制以重点关注星点位置信息．此外，由于实拍星图的成本高，噪声不可控，采用基于小孔成像的坐标映射模型以生成含噪声的仿真星图训练集与测试集．实验结果表明，Mobile Ci T对含不同噪声星图的识别准确率为99.850%，高于现有的基于轻量化网络MobileNet和Mobile Vi T的星图识别算法，对位置噪声、星等噪声、假星和缺失星均具有良好的鲁棒性，能够在无需背景去噪、连通域检测、星点质心提取等预处理操作的情况下实现高精度的星图识别．MobileCiT在提升识别精度的同时具有较低的计算成本，计算量仅为基于Mobile ViT网络算法的1/3．在此基础上，将MobileCiT与基于子图同构的星图识别算法和基于模式识别的星图识别算法进行对比．在相同的视场范围与噪声条件下，MobileCiT依旧表现出了更高的识别准确率与更强的鲁棒性，这进一步验证了MobileCiT相对于传统星图识别算法的先进性．