在宇宙时间尺度上,恒星质量和恒星形成率是帮助了解重子物质在星系尺度上分布演化的重要依据。对于研究星系乃至整个宇宙,研究恒星质量和恒星形成率都是非常重要的。对于恒星质量和恒星形成率的估算,天文学家们从不同的角度提出了多种计算方法,例如利用多波段的测光数据来拟合星族成分,或用发射线预估提供电离气体所需紫外光的大质量恒星数量,进而估算恒星质量与形成率等。但是不同星系之间的物理性质极其复杂,因此在做相关估算时会引入复杂且简并的参量。本论文的主旨在于提出一个稳健且简单的方法来进行恒星质量以及恒星形成率的估算。本文中提出的是将经验性星系模板与机器学习相结合的方法。我们选择了3个Assef在2010年文章中提出的低红移、低分辨率的经验性光谱能量分布模板作为星系SED分解的参考。其中包括椭圆星系模板（代表着年老星族）,漩涡星系模板（代表中年星族）和不规则星系模板（代表年轻星族）。上述模板集具有比以往使用的星系模版更长的从紫外波段到红外波段的波长范围覆盖（0.03至30）。考虑到正常星系的紫外波段的辐射主要是来自大质量恒星,而恒星形成率的估算,紫外光数据占据主导地位,光学和红外的测光数据对于恒星质量的估算相对重要。因此,巡天数据如能覆盖近/中红外波长则能够帮助我们获得更加可靠的SED拟合结果进而使得恒星质量和恒星形成率的估算更加精准。在本文中,针对斯隆数字巡天计划中具有光度和光谱认证的正常星系样本源,利用天文多波段巡天数据和Assef的经验星系光谱能量分布模板,将目标星系分解为三个年龄阶段的星族,从而得到它们的比例。我们认为星系中三个阶段性的星族（即年老星族,中年星族,年轻星族）可以代表目标星系的恒星演化。所以利用三种年龄星族的占比可以对恒星质量和恒星形成率进行预测。我们使用了较为高效且容易实践的XGBoost的机器学习算法,进行恒星质量以及恒星形成率的预测估算。XGBoost算法是基于树形结构的算法,无论是分类预测和回归预测都在计算效率和计算精准度上有着优异的表现。我们选择了5个特征作为机器学习算法的输入,其中包括:年老星族占比,中年星族占比,年轻星族占比,红移和总光度。利用这5个特征,我们可以分别进行对恒星质量和恒星形成率的预测估算。结果发现,我们的方法可以对恒星质量进行相当精准的预测,弥散仅为0.16dex。对于恒星形成率的预测,虽然预测结果与样本真值之间有强烈的线性相关性,但是弥散相较于恒星质量来说较大,其回归预测的决定系数仅为0.69,弥散为0.35dex。同时我们也进行了稳定性测试,在发生缺失数据的情况下,我们的方法并未受到显著的影响。在本论文的第四章,我们也探讨了恒星形成率离散度较大的原因。从机器学习的特征输入方面考虑,我们认为输入特征的不完备或缺失会造成预测结果产生偏差。但当我们加入更加年轻的成分或通过对模板进行消光来提高不规则星系的占比（即提高年轻星族的占比）,机器学习的预测结果并未得到明显改善。这说明我们选择的Assef模板中已有足够的星系年轻成分的信息。而从恒星形成率的计算方面考虑,我们对比了常见的恒星形成率的计算方法之间的计算结果。结果发现,不同的计算方法之间偏差较大,这说明了目前对于恒星形成率的计算不确定性较大。我们认为这是造成机器学习预测弥散度较大的主要原因。同样我们也对比了常见不同的恒星质量计算方法的计算结果。对于恒星质量来说,不同方法的结果之间偏差不大,这也从侧面证明了我们方法结果的合理性。