疏散星团是恒星演化和银河系结构等研究方向的重要研究对象，对疏散星团进行成员星辨认是研究疏散星团的性质和确定疏散星团基本属性参数的首要步骤，对利用疏散星团开展的恒星演化以及银河系结构等研究方向具有重要意义。目前利用运动学数据进行成员星辨认应用较多的的方法主要是Vasilevskis-Sanders方法、机器学习方法和非参数方法等。　　本课题在详细了解用运动学方法对星团进行成员星辨认的研究背景和现状之后，对各类算法的背景、原理以及优缺点进行介绍，着重对Vasilevskis-Sanders方法和机器学习方法进行建模，在调研分析各类自行星表情况之后，最终使用了UCAC5（USNO CCD Astrograph Catalog-5）星表的自行数据，将模型应用于M44星团进行成员星辨认，并对辨认结果进行了详细分析。　　在应用Vasilevskis-Sanders方法时，采用了对分法来求解未知参数，并通过控制变量找到每个未知参数适合的搜索步长，得到收敛的最优解。通过对计算结果的分析可知本模型对于初值是不敏感的，但是对每一组初值都需要重新调节找到合适的搜索步长。多次试验证明Vasilevskis-Sanders方法尽管在理论上和应用中有诸多缺陷之处，但仍然是一种有效且较为可靠的成员星辨认方法。　　在机器学习方法部分，尝试综合使用K-means算法和交叉熵算法，对所有的恒星进行分类，并设定成员概率阈值，找到属于成员星集合的恒星。结果证明这种方法得到的判定结果要优于仅使用K-means算法的情况，并且随着阈值越高，计算结果越加靠近实际值。模型的优点在于作为一套自动化的流程可以排除初值的影响，计算效率高，但也有很多地方需要完善，比如最优解的收敛性等等。总之，机器学习算法具有一定的参考性，但是作为一个较新的研究领域，需要进一步完善和发展，结果的可靠性也有待于进一步的检验。　　最后，对研究工作进行总结与展望。在Gaia时代下，随着天体测量技术的不断发展，测量数据精度不断提高，对于提高成员星辨认模型可靠性的需求也越来越迫切，还有很多研究方向等待着进一步的探索。