在机器学习、计算机视觉、人工智能领域得到广泛关注的多任务学习方法,能充分利用任务间潜在的丰富信息,将多个任务同时进行并行学习,效果好于单个任务独立运算的情况。Lasso算法可以使数据维数降低,提取到少量的特征,减少了数据量,剔除了噪声的干扰,有利于预测参数精确度的提高。文章基于ELODIE恒星模板库和SDSS实测光谱库,采用多任务Lasso回归法对恒星光谱物理参量表面有效温度(lg Teff)、重力加速度(lg g)、化学丰度([Fe/H])进行估计。实验结果好于相关研究方法和单任务Lasso回归的情况,三个物理参量的估算精度均得到提高,特别是对lg g、[Fe/H]的估计。实验中改变光谱的分辨率、施加不同信噪比(SNR)的噪声,来对恒星物理参量的估算做出全面分析。结果表明,模型预测精度受光谱分辨率和噪声的影响,但噪声的影响相对更大一些。可见,多任务Lasso回归法适合用于恒星光谱物理参量的自动估计,不仅操作简便,计算速度快,耗时少,更能提高模型的整体预测精度。