随着天文观测技术的不断发展,越来越多的天文光谱数据被望远镜收集,用于天文研究。光谱中蕴含着一个天体的许多信息,有助于天文学家研究天体形成以及宇宙起源,因此,天文光谱分析有着巨大的意义和价值。然而,面对目前海量的高维天文光谱数据,传统的人工分类方法在效率和准确率上都存在不足。本文的研究重点在于高维天文光谱数据的特征提取与智能分类,具体包含四个方面:天文光谱的预处理方法研究。首先分析了天文光谱数据的物理意义,以物理意义为指导对数据进行标准化和筛选处理。然后,应用SMOTE方法进行数据增强,解决了数据不均衡问题。该预处理方法有助于构建高质量数据集,供训练和预测使用。基于自编码器和多层感知机的天文光谱分类模型研究。针对天文光谱数据高维非线性的特点,利用自编码器对高维的天文光谱数据进行降维去噪。此外,还建立了多层感知机模型,对编码后的光谱数据进行分类。结果证明,通过机器学习方法建立的光谱分类模型能够对天文光谱进行有效分类,准确率能达到79%以上。基于残差和注意力机制的卷积神经网络分类模型研究。对于光谱数据的局部相关性特征,构建了基于残差和注意力机制的卷积神经网络分类模型RAC-Net。RAC-Net主要包括三个模块,首先通过卷积神经网络来获取光谱的局部形状;然后使用残差模块来加大网络深度;最后利用注意力机制来关注重点通道,以达到提高分类效果的目的。实验证明,与现有方法相比,准确率有了明显提升,能够达到98%以上。模型轻量化改进研究。对于RAC-Net,在注意力机制的基础上,将原本的注意力层改为通道权重层。并通过修改损失函数和调整网络结构,对原网络进行裁剪,减少参数量,以提升网络的效率。实验证明,该方法可以在牺牲1%的准确率的情况下裁剪40%的参数量。