光变曲线是天体或区域的光强度随时间变化的曲线图。对光变曲线的研究,连同其他观察,可以获得关于产生光变曲线的物理过程的大量信息,如通过光变曲线的变化记录来揭示恒星的变化周期、确定观测对象的类别,或快速发现暂现源以便及时触发机遇科学事件的协同响应等,因此对光变曲线的分析研究具有重要意义。随着观测能力的发展和提高,观测数据积累的不断加快,可用于分析研究光变曲线的数据规模不断扩大,然而传统的光变曲线分析方法效率低下且难以充分挖掘数据的潜在科学价值。近年来机器学习技术在大规模天文数据分析中已愈发显示其强大的特征信息提取能力,因此将机器学习技术应用于光变曲线数据分析,有助于挖掘其蕴含的深层物理信息。本文的研究工作及创新点如下:（1）提出了基于离散小波分解的滤波方法和形态学变换滤波方法对硬X射线光变曲线进行预处理。小波变换用于消除光变曲线中的噪声,对其进行平滑,但硬X射线光变曲线数据中存在大量与暂现源造成的曲线峰相似的假峰,仅使用小波变换去噪无法消除这些假峰的影响,同时还有可能造成真峰的消除,因此本文在此基础上添加形态学变换滤波,能够自适应的消除光变曲线数据中的大部分假峰,提高后续寻峰工作的准确性。（2）提出了一种基于小波变换和卷积神经网络模型结合的时序数据自动寻峰方法。本文以传统寻峰方法为基础,结合光变曲线的特点,针对硬X射线光变曲线的自动寻峰算法的设计做了深入研究,通过不同寻峰模型的实验及分析,确定最适合用于硬X射线光变曲线寻峰的方法。首先采用小波变换在光变曲线上检测符合峰形特征的数据段,再通过卷积神经网络对这些数据段进行识别筛选,最终获得光变曲线中峰的位置。（3）在HXMT高能望远镜的实际观测数据上进行实验验证小波寻峰与卷积神经网络结合的方法的有效性,并与常用于时序数据分析或已应用于光变曲线研究的ARIMA、LSTM、Auto Encoder等机器学习方法及传统小波变换寻峰方法进行实验比较。实验结果表明,本方法在查准率、召回率、误报率等各项评价指标上均有较大提升。证明了该方法在光变曲线寻峰问题上的可行性,可用于光变曲线峰的快速识别。（4）通过在多种不同光变曲线峰数据上的模拟实验证明,本文方法具有足够的泛化性,能够适应不同的峰形特征,且结合神经网络自动学习曲线特征的特点,能够将其应用到各种光变寻峰场景中。