特征识别是数据挖掘与模式识别的研究热点之一,目前很多特征识别方法都被应用到具体领域中,比如天文,气象,金融,医学等等。随着技术的不断发展和巡天计划的开启,LAMOST天文望远镜观测到上千万的低分辨天体光谱,光谱数据中可能存在的弱发射线特征是我们更深入认识银河系的重要素材。低分辨光谱发射线具有特征稀有性,复杂性,多样性等特征,极大地增加了发现和识别难度。本文针对LAMOST低分辨光谱数据中弱发射线特征地度量及识别方法进行了深入研究,其主要研究内容包括:（1）提出了一种低分辨光谱发射线特征度量方法。针对低分辨光谱具有的高维稀疏特征,本文提出了一种低分辨光谱发射线特征度量方法,本方法首先会提取低分辨光谱的波长与流量,之后根据峰值左右两边的形状计算距离置信度和波形置信度,将距离置信度和波形置信度的和作为低分辨光谱发射线置信度,该方法将抽象的低分辨光谱发射线转化为具体的置信度值。实验结果表明此特征度量方法可以对低分辨光谱发射线特征进行有效的提取,这为之后的低分辨光谱弱发射线特征识别方法奠定了基础。（2）提出了一种低分辨光谱弱发射线特征识别算法。针对低分辨光谱弱发射线难以识别的问题,本文利用权重排序和动量公式提出了低分辨光谱弱发射线特征识别算法WEDA。首先使用低分辨光谱发射线特征度量方法对低分辨光谱数据进行数据预处理,提取指定发射线的特征值和周围低分辨光谱数据发射线的特征值,之后利用特定数据之间的差异初始化特征权重,然后利用动量公式不断的迭代更新权重识别低分辨光谱弱发射线特征。实验结果表明,与其他类似的分类算法相比,WEDA表现出更高的准确性,并且不受数据量和信噪比的影响,能够有效的识别低分辨光谱弱Hα发射线特征。（3）提出了一种低分辨光谱弱发射线特征识别并行化算法。针对低分辨光谱弱发射线识别算法在处理海量光谱数据时存在计算效率低的问题,本文基于Spark并行计算框架提出了并行化算法SparkWEDA。首先将海量低分辨光谱数据进行RDD分区,之后将这些分区分配到各个集群节点中,每个节点中分区数据都通过多线程并行处理,之后将每个节点的结果进行合并得到最终结果。实验结果表明SparkWEDA算法在保证准确率和召回率的同时极大地缩短了运行时间,并且在加速比和拓展性等性能指标上表现良好,能够满足海量低分辨光谱数据的处理需求。