二维光谱图像的有效处理和分析可以提高LAMOST（The Large Sky Area MultiObject Fiber Spectroscopic Telescope）数据的使用效率,对宇宙大尺度结构和恒星演化历史的研究也有重要意义。本课题利用LAMOST二维光谱图像数据,基于二维视角研究了光谱处理的一些关键问题。本文主要完成的工作和创新点如下:（1）基于LAMF（Laplace Adaption Median Filtering）算法去除宇宙射线。本文分析了二维目标光谱图像中宇宙射线的特点,为了能够有效去除二维光谱中的宇宙射线,我们提出了LAMF算法。LAMF算法首先估计出光谱图像的背景值,利用Laplace算子检测出图像中包含宇宙射线的候选区域,然后利用阈值找到候选区域的宇宙射线,并使用自适应中值滤波去除宇宙射线,最后使用LAMOST二维目标光谱图像测试LAMF算法的性能。实验结果表明,相比于中值滤波和自适应中值滤波算法,LAMF可以更有效地去除图像中的宇宙射线,且能更好地保留光谱图像特征。（2）基于二维高斯和多项式拟合的二维光谱图像波长定标算法。本文介绍了LAMOST定标灯谱图像中发射线的特点,并根据其特点提出了二维光谱图像波长定标算法。首先使用高斯滤波对定标灯谱图像进行去噪,利用最大值滤波找到发射线轮廓的初始质心位置,其次通过对图像进行数据变换,增强图像中轮廓较弱的发射线,并使用二维高斯函数修正发射线轮廓的质心位置,然后利用标准线表和质心位置,拟合蓝端和红端的色散函数,实现二维光谱图像的波长定标,最后使用LAMOST定标灯谱验证所提方法的定标精度。实验结果表明,与传统峰值法相比本文方法定标误差更小,可以满足二维光谱图像波长定标的精度要求。（3）基于FFCNN（Feature Fusion Convolutional Neural Network）模型的二维光谱图像自动分类。FFCNN模型首先对二维光谱图像进行弯曲校正、切割、归一化等预处理操作,然后分别使用两个卷积支路和CBAM（Convolutional block attention module）注意力机制提取蓝端和红端光谱特征,最后利用中间特征融合思想,将提取后的光谱特征进行融合,从而实现光谱图像的自动分类。在模型训练期间,我们使用dropout和Learning Rate Schedules策略防止模型过拟合。实验结果表明,FFCNN模型可以准确地区分二维恒星光谱图像,F、G和K型恒星的准确率分别达到86.0%、76.8%和91.4%。FFCNN模型直接使用二维光谱图像进行光谱分类,为光谱数据分析提供了新的思路和方法,同时提高了LAMOST二维光谱图像的利用率。