大型巡天望远镜的问世，让建立恒星光谱数据库变为了可能。为更好、更快研究数据库中的海量恒星光谱数据，需要寻找快捷、高效的恒星光谱自动处理算法。以深度学习模型ResNet为基础，搭建了一个混合深度学习算法：RN-SM。该算法共包含5个步骤：①归一化处理：使用线性归一化函数，对恒星光谱做归一化处理，让恒星光谱具有相同的尺度。②去噪处理：使用Ces算法对恒星光谱做去噪处理，以剔除恒星光谱中的噪声。③合成RGB图像：RGB图像的三个通道，对应同一条光谱生成的灰色图像。同一条光谱的叠加使用，让恒星光谱的主要特征更加明显，更加方便后续工作的进行。在这里，我们对恒星光谱的连续谱进行了归一化处理，使得RGB图像所示内容为恒星光谱的谱线信息。同时，分析了数据转换（合成RGB图像）的可行性：以恒星光谱的主要谱线信息作为参考，考察合成RGB图像的相关像素位置，是否包含这些特征。通过证实，所提出的数据转换（合成RGB图像）方法是可行的。④特征提取：为方便连接SoftMax算法，使用ResNet算法对恒星光谱做特征提取，将尺度为64×64的RGB图像，特征提取为1×2 048的特征向量，使用的ResNet算法共含49个卷积层。⑤自动分类：将特征向量传至SoftMax模块进行自动分类。SoftMax使用的损失函数为数据集损失和正则项损失的加和，迭代10000次后，损失函数趋于稳定。RN-SM算法在使用r波段信噪比大于30的A、B、dM、F、G、gM、K型恒星光谱进行分类时，分类正确率为0.91。这一分类正确率也超过了CNN+Bayes、CNN+Knn、CNN+SVM、CNN+Adaboost和CNN+RF算法0.862，0.876，0.894，0.868，0.889的分类正确率。

近年来，随着各大光谱巡天项目的陆续实施，观测得到的天体光谱数据急剧增长。 大型光谱巡天项目对光谱的自动分类和分析提出了更高的要求。 采用多尺度特征融合模块来获取光谱在不同尺度上的光谱特征，结合CNN网络在分类任务上的优势，提出了一种基于多尺度特征融合的恒星光谱分类模型（MSFnet），对恒星光谱进行光谱型预测。 主要包含多尺度特征融合模块和一个含4个卷积层，2个最大池化层，1个全连接层的卷积神经网络。 为了防止出现过拟合的问题，添加了dropout，添加dropout后可以使得模型不依赖某些局部特征，防止过拟合，优化网络的鲁棒性。 实验中的数据集均来自LAMOST DR9数据库，在输入到模型进行训练之前，需要对光谱数据进行预处理： 重新对光谱进行均匀采样，之后进行最大最小值归一化。 该实验的编程语言为python 3.9，引入了Pytorch深度学习框架来构建网络。 实验部分为两部分： 第一部分是研究卷积神经网络的层数、 特征图个数与准确率的关系； 第二部分将本文提出的MSFnet模型和Resnet18模型的结果对比实验，从精准率P、 召回率R、 调和平均值F1、 准确率A、 运行时间等指标来对两个模型进行对比评估。 两个模型所采用的训练集、 验证集和测试集均按6∶2∶2的比例进行分配，保证了两个模型的训练样本一致。 结果表明，采用4个卷积层、 特征图数量为16的卷积神经网络的准确率最高。 基于此结论，本文提出了特征融合模块与卷积神经网络的组合MSFnet模型，相对于18层的残差神经网络模型，该模型的结构更简单，在上述指标的表现上也与Resnet18模型相当，并且在A、 F、 K型光谱的分类效果更好，速度更快。 MSFnet模型在测试集上的准确率接近97%，比传统的CNN和Resnet18模型的准确率更高，表明了MSFnet模型有助于提升光谱自动分类的准确性。

研究关注由分子内部能级变化引起的光谱分子带的识别和检测，有助于研究恒星光谱类型和参数估计。 首先从分子带的曲线趋势出发，运用曲线分析对分子带进行识别，并剔除具备W形但下降趋势明显的伪分子带。 借鉴多类型多分类准则的识别思路，将检测出的分子带尖峰深度、 W形宽度、 曲线趋势和回升趋势四个参数作为训练特征。 这四个参数综合考虑了始点变化速率、 曲线变化趋势、 极值点分布和曲线形状因素。 其次，为了验证该方法的可行性与可靠性，利用LightGBM (light gradient boosting machine)模型分别对F型恒星光谱和分子带特征参数进行识别，准确率分别为97.62%和99.16%，进一步验证了所提取分子带的准确性。 本工作不仅能挖掘出晚期恒星，提高数据标签的准确性，还能在准确识别的基础上，利用LightGBM机器学习模型检测未知型光谱自动识别晚期恒星，提高了识别效率并且减少了内存占用。

视向速度法是一种根据目标恒星的视向速度变化来推断系外行星是否存在的有效方法，它对系外行星探测有重要作用。 由于恒星活动、 观测光谱与模板光谱的差异以及其他因素导致的光谱噪声，采用交叉相关算法计算恒星的视向速度会存在一定误差。 提出了一种结合注意力机制的恒星视向速度计算方法，该方法对恒星光谱数据进行处理以去除光谱中的噪声，根据恒星视向速度变化的周期性计算恒星的视向速度。 首先，采用高斯过程回归算法建立光谱模型，减少噪声的影响，得到更加准确的光谱数据。 子集近似法被应用到光谱建模的过程中以减少计算量。 然后，结合注意力机制的思想，为光谱中的吸收线赋予不同的权重，计算不同光谱间的视向速度差。 最后，根据各视向速度差之间的关系，计算出恒星的视向速度。 本文通过仿真实验分析了信噪比和恒星光谱数量对视向速度计算误差的影响。 实验结果表明，相较于交叉相关算法，当信噪比较低时，结合注意力机制的恒星视向速度计算方法能有效减小视向速度的计算误差，通过增加恒星光谱数量能在一定程度上提高视向速度的计算准确度。 对HD85512的光谱数据进行了分析。 与其他算法相比，本文提出的算法减小了视向速度的计算误差，较大地提高了计算精度。

对恒星光谱进行深入研究，可以了解恒星的化学组成和物理特性。恒星光谱分类是恒星光谱研究领域的一个重要方向，随着海量恒星光谱数据的出现，人工分类手段就无法满足科研的需要。基于此，搭建了SATS（SVD Analysis Transformer SoftMax）算法，该算法实现了对F、G、K型恒星光谱的自动分类。SATS算法，首先以奇异值分解（SVD）的方式，对归一化后的恒星光谱做去噪处理；然后对恒星光谱进行特征提取，特征提取层共有六个模块：增量主成分分析（Incremental PCA）、核主成分分析（Kernel PCA）、稀疏主成分分析（Sparse PCA）、因子分析（Factor Analysis）、独立成分分析（Fast ICA）和Transformer（前五个模块统称为Analysis模块），为保证方差贡献率在0.95以上，IPCA、KPCA、Sparse PCA、Factor Analysis和Fast ICA将恒星光谱特征提取为300维；最后，将恒星光谱输入到SoftMax层进行自动分类。SATS算法将多个Analysis模块结合使用，进一步提高了使用单一Analysis模块的分类正确率。Transformer模块和多个Analysis模块的结合使用，再一次提高了分类正确率。SATS算法最大的优势在于对恒星光谱进行了多重特征提取，以不同的特征提取方式，最大程度地保留了原始恒星光谱信息，将信息损失做到最低。SATS算法的最终分类正确率为0.93，这一分类正确率也高于混合深度学习算法CNN(convolutional neural network)+Bayes、CNN+KNN、CNN+SVM、CNN+Adaboost和CNN+Adaboost0.86、0.88、0.89、0.87、0.89的分类正确率。

恒星光谱分类是天文学领域中非常重要的研究方向。 随着科技的迅猛发展，大型巡天望远镜采集的恒星光谱数据已经达到了TB或甚至PB级别，传统的分类方法已经无法满足如此庞大数据量的处理需求。 正确分类光谱对于研究恒星的物理性质以及演化过程具有重要意义。 CNN通过卷积运算学习数据的局部特征，去除冗余信息，并通过最大池化运算对特征进行压缩。 然而，由于原始CNN模型的全连接层缺乏长距离依赖挖掘的功能，如果加入LSTM网络，通过其独特的三个“门”的远距离依赖挖掘能力可提取的重要特征，并检测特征中的微小差异，恰好可以解决这个问题。 因此，提出了一种基于CNN和LSTM复合的深度模型，用于对LAMOST DR8中的恒星光谱进行分类。 这种模型能够更好地学习恒星光谱的特征，为恒星演化研究提供了重要的帮助。 为了提高模型的收敛速度，使用了常见的Z-Score标准化方法对数据进行处理。 提出的模型在F、G、K三分类实验中取得了94.56%的分类准确率。 同时，与前人使用过的RBM、PILDNN、PILDNN*、DBN、Inception v3、1D-SSCNN、LSTM方法进行对比，结果表明该方法具有更高的分类准确率。 在十分类实验中，该方法取得了97.35%的准确率，并且相比于仅使用LSTM、1D-SSCNN方法的实验结果，该方法的结果更好，且训练时间减少了近十倍。 使用F1-score对每类恒星光谱分类准确度进行说明，在三分类和十分类实验中，每类的F1值都在0.9以上。 与前人在文献中的实验结果进行对比，该模型的结果更好。 通过混淆矩阵的结果，可以得出该模型在光谱种类越多的实验中准确率越高，甚至可以达到100%。 综上所述，所提出的基于CNN和LSTM相结合的模型可以有效地对大规模恒星光谱数据进行分类，并取得了优异的分类效果。

恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。

随着越来越多的大型光谱巡天计划的实施, 产生了海量的恒星光谱数据, 这对于恒星演化理论的研究具有重大意义, 但也给传统的光谱分类和处理带来极大挑战。 2021年发布的LAMOST DR7(v2.0版本)光谱数据集中, 恒星光谱总量为百万量级, 但其中O型星的数量仅为129条, 远远小于其他六类恒星光谱数量。 对于这种数据量大、 数据集严重不平衡的情况, 传统的机器学习分类方法达不到较好的效果, 因此多用于对相邻两类、 部分类或子类恒星光谱进行分类。 针对以上问题, 使用一维卷积神经网络(CNN)和一维生成对抗网络(GAN)相结合的半监督学习模式对七类恒星光谱进行全分类。 实验首先对每条光谱进行裁剪和去噪, 截取光谱波长范围为370.00~867.16 nm部分, 然后进行均匀采样和归一化, 生成大小为1×3 700的数据集样本, 送入CNN进行训练。 为了避免过拟合并提高模型对未知数据的预测能力, 在CNN的全连接层和池化层之间添加正则项Dropout。 使用该网络对除O型星以外的六类光谱进行分类, 平均分类准确率达到98.08%。 针对O型星数量严重偏少的问题, 采用GAN来扩充数据集。 GAN的输入是1×900大小的噪声信号, 经过生成器中全连接的三层跨步卷积运算, 输出大小为1×3 700的数据。 通过对生成器和判别器进行单独交替迭代训练使GAN收敛, 最终输出所需数量的O型星样本, 达到扩充数据集的目的。 和常见的通过过采样扩充数据集相比, 利用GAN扩充数据集, 结合一维CNN对恒星光谱进行全分类, 可以将O型星的分类准确率由72.92%提升至97.92%, 整个分类器的准确率达到96.28%。 实验结果表明, 使用这种半监督模式的恒星光谱自动分类方法可以实现对七类恒星光谱的快速、 准确分类, 也可以用于对标记为“Unknown”的未分类恒星光谱进行挖掘, 达到充分利用光谱的目的。