随着天文观测技术的发展和新一代天空观测设备的升空,大量的天文星系图像被采集用于天文研究。星系图像包含了许多重要的信息,通过研究星系的形成与演化,天文学家可以进一步研究宇宙的起源,因此分析这些星系图像具有非凡的意义。然而,面对海量的天文星系图像数据,传统的方法在可行性和准确性上都存在不足。本文将研究天文星系图像数据的特征提取与分类以及离群检测,具体包括四个方面:1.天文星系图像的预处理方法。一般的天文图像往往不能直接用于研究,因此需要对图像进行预处理操作。通过分析天文星系图像的物理含义,结合特征参数进行数据筛选。在数据不均衡的情况下,采用Opne CV中的图像随机旋转和翻转方法进行数据增强。该方法构建了合理有效的数据集,为网络模型的训练奠定了可靠的数据基础。2.基于卷积自编码和高斯混合模型的无监督天文星系图像分类模型。为了规避将图像直接送入无监督机器学习带来的耗时问题,利用卷积自编码器和高斯混合模型,搭建了一个基于无监督机器学习的天文星系图像分类模型。卷积自编码器负责提取天文图像的特征,高斯混合模型负责给提取到的天文图像特征聚类。实验结果证明,在图片数量为50000时,无监督天文图像分类模型能够以84%的准确率对天文星系图像进行分类。3.基于卷积自编码和k NN的无监督天文星系图像离群检测模型。天体物理学中的离群检测对研究宇宙有着至关重要的作用,为了实现离群检测,本文利用卷积自编码器和k NN算法,搭建了一个基于无监督机器学习的天文星系图像离群检测模型。结果证明,当数据量为17000时,通过我们的离群检测模型,可以以56%的召回率检测天文星系图像的离群点。4.基于注意力机制的模型改进。针对天文星系图像背景噪声影响模型性能的问题,引入了注意力机制,帮助模型在训练过程中关注重要的信息并忽略背景噪声信息,以提高网络的性能。实验结果表明,在分类模型上,经CBAM改进的模型不仅提高了网络的稳定性,还提高了8%的分类准确率;在离群检测模型上,经CBAM改进的模型更是提高了22%的召回率。