类星体作为20世纪60年代天文学四大发现之一,是天文学领域的重要研究对象。它们在宇宙早期的再电离历史、大尺度结构、星系际介质及星系演化过程中发挥着关键作用。然而,关于类星体超大质量黑洞的形成以及它们与宿主星系之间的相互作用和演化过程等科学问题仍需深入研究。类星体光谱特征的测量和内禀物理参数的研究对解答这些问题以及推动对宇宙的认识和理解具有至关重要的意义。随着天文学进入大规模巡天和大数据时代,斯隆数字化巡天（SDSS）等项目不断发布大量类星体数据,为相关研究带来了前所未有的机遇。然而,面对海量数据,科学产出速度逐渐滞后于数据增长速度。由于类星体光谱结构复杂,如何高效且准确地测量类星体谱线并获取其内禀物理参数、加快科学成果产出,成为科研人员面临的挑战。尽管目前已有自动处理类星体数据的管线,但改进空间仍然较大。近年来,人工智能技术因具有强大学习能力而在天文学研究中广泛应用并取得了显著成果,但其在类星体谱线自动测量方面的研究仍然不足。本文首先基于最新的SDSS类星体数据,对相关物理参数进行了测量和统计分析,验证了测量结果的可靠性并以这些结果构建了本文机器学习的数据集。针对现有的自动数据处理管线在处理复杂的类星体数据时正确率较低的问题,设计了一个U-net神经网络以识别类星体光谱中的异常数据和吸收线数据,同时设计了一个卷积神经网络用于自动判断拟合结果的好坏。基于这两个模型,实现了一套类星体谱线自动测量管线。另外,针对在类星体与活动星系核长期跟踪观测研究中遇到的问题,设计并实现了一套鲁棒的自动测光管线。具体的工作如下:（1）建立了一个高可信度的星表,作为后续研究的样本集。测量了SDSS-IV最新发现的22.5万个类星体的光谱特征,公开发布了相应的星表结果。给出了C iv、Mg ii、Hβ、Hα和[O III]等发射线和连续谱的参数,基于相关参数估算了中心黑洞质量和爱丁顿比率。考虑到类星体光谱的辐射成分较为复杂,为确保数据的正确性,所有拟合结果均经过人工检查。对得到的物理参数进行了统计研究,包括发射线速度漂移线宽、发射线光度与连续谱光度的关系,并揭示了C iv和Mg ii的黑洞质量间系统差的原因。基于这些测量结果构建了本文机器学习的数据集。（2）设计并实现了一个U-net神经网络模型,有效识别了类星体光谱的异常数据和吸收线。以22.5万个类星体谱线测量结果为数据集,设计了一个U-net神经网络算法模型,用于去除光谱中的异常数据和吸收线数据,并识别正常数据进行光谱拟合。先前研究表明,超过10%的发射线光谱区域存在较强吸收线,严重干扰发射线的正确拟合和内禀物理参数的准确获取。测试表明,本文设计的U-net模型对正常数据识别的精确率达到99%,假阳性率低于5%。该模型有效识别了光谱中的异常数据和正常数据,为谱线的准确自动测量提供了可靠保障。（3）设计并实现了一个卷积神经网络模型,有效判断了自动数据处理过程中的错误拟合结果。以22.5万个类星体谱线测量结果为数据集,设计了一个卷积神经网络算法模型,用于自动评价拟合结果的好坏。由于发射线需要对多个辐射成分拟合,参数约束范围选取不当可能导致拟合失败。已有研究表明,传统拟合优度指标难以应对大样本自动数据处理的质量评价,但深度学习算法在此类问题上具有优势。测试表明,本文设计的网络模型自动判断错误拟合结果的精确率达到97%,召回率达到92%。考虑到实际的错误拟合结果在全体数据中占比约为10%,即该模型识别漏的错误拟合结果估计只占全体数据的0.74%。模型效果基本满足了需求。（4）实现了一套基于机器学习的光谱自动数据处理管线,有效处理了包含异常数据和吸收线的类星体光谱。该管线基于本文设计的U-net和卷积神经网络模型实现。对2万个随机光谱的23,653个不同发射线区域进行了自动数据处理测试,发现该管线能正确拟合99.85%的光谱,能有效应对类星体光谱结构复杂的情况,为准确获取类星体物理参数提供了保证。（5）实现了一套针对1.26米望远镜在类星体与活动星系核跟踪观测研究中图像模糊问题的自动测光管线。该线适用于暗弱信号和模糊图像的自动测光。经过测试与分析,发现该管线具有比该望远镜原有的管线更高的测光成功率,同时具有与IRAF手动测光相当的精度,为类星体与活动星系核相关科学研究提供了便利。综上所述,本文从类星体谱线测量出发,构建了可靠的机器学习数据集,同时给出了大量新发现类星体的重要物理参数,为构建更大的无偏样本和类星体相关研究提供了更多宝贵数据。首次采用U-net神经网络和卷积神经网络实现了类星体谱线自动测量的管线,显著提高了数据处理的效率和准确性。开发了一套鲁棒的自动测光管线,解决了在类星体跟踪观测研究中遇到的图像模糊问题。本研究的成果能为类星体研究领域提供更多高质量的数据,有助于推动相关研究的深入发展,为揭示类星体和超大质量黑洞的形成和演化等重要问题提供更多有力的实测证据支持。