天体光谱中蕴含着丰富的天体物理信息。通过对天体光谱的分析,可以定性或定量地确定天体的物理、化学成分,直接或间接地测定天体的参数。数据挖掘技术就是从大量的、不完全的、有噪声的、模糊的随机数据中,提取隐含于其中而人们事先不知道但又潜在有用的知识和信息的过程。数据挖掘技术为高维天体光谱数据的分类及参数的自动测量提供了很好的支持。随着LAMOST巡天计划的开始,每个观测夜将产生数万条的光谱。这些海量数据的分析显然不能通过传统的人工方法进行,因此对光谱的自动处理算法的研究十分重要。与一些传统算法相比,人工神经网络具有很强的非线性映射能力、良好的适应性和容错性,在天文学中得到了广泛的应用。本文主要研究基于人工神经网络算法的天体光谱分类及恒星大气参数的自动测量。木研究的主要工作如下(1)高维光谱数据的特征提取。本文先对光谱进行预处理,然后分别采用基于主分量的特征值提取法和矩阵奇异值分解法对光谱的主要特征进行提取,将高维的光谱投影到低维空间,在保留数据主要特征的同时降低处理的时间和空间复杂度。比较两种方法对光谱数据的特征提取以及对分类、参数估计的影响。(2)天体光谱的粗分类。本文使用SDSS数据,首先将天体光谱投影到不同的特征空间,再使用BP神经网络模型和径向基神经网络模型对投影后的数据进行分类,并比较使用各种方法所需时间及分类误差。得到对不同的天体光谱数据进行分类的较好方法。(3)恒星大气参数的自动测量。恒星的重力加速度、有效温度和化学丰度是恒星三个主要的大气参数。本文使用ELODIE实测恒星光谱库,先对其进行预处理,连续谱归一化以及剔除奇异数据并提取光谱数据的三个主要大气参数。然后分别使用BP神经网络模型和径向基神经网络模型对这三个参数进行自动估计,比较估计值和真实值的差异并进行误差分析。最后,得到使用神经网络模型的最佳参数区间范围。