本文主要是关于国家大科学项目大天区面积多目标光纤光谱望远镜(The Large SkyArea Multi-object Fiber Spectroscopic Telescope，简称LAMOST)输入星表中恒星与星系的分离，使用决策树和SExtrsctor，这项工作是我在国家天文台LAMOST项目组完成的。 本文首先介绍了光学波段最有影响力的成像观测，POSS-Ⅱ，SDSS，2dF 三个巡天项目，详细介绍了在我国即将用于观测的LAMOST。由于当前的观测数据庞大，对于LAMOST选择目标星表，我们采用了数据挖掘的技术：决策树和基于神经网络BP算法的SExtractor。 第二章中介绍了决策树的基本知识，决策树的原理，决策树在天体分类中的应用。我们根据SDSS的观测数据选择出了用于分类的特征参量两个petrosian半径θ<,50>和θ<,90>。我们使用IRAF模拟了不同亮度的恒星和星系，总共约有2.5万个，给出了测量petrosian半径的算法，测量了每个天体的petrosian半径，使用决策树我们对模拟天体进行了分类。考虑到天体的形态分类受视宁度影响，我们给出了在不同视宁度下的分类效率。本章最后我们也提及了被我们舍弃的其它的特征参量：星等、半径，rank correlation等 第三章中介绍了基于神经网络BP算法SExtractor(Source Extractor)的原理，SExtractor。分离恒星和星系，以及选源。我们使用了SExtractor从成像图片中选择天体，并对天体进行分类。同时我们还概述了神经网络的其它分类方法：自组织映射网，K近邻。最后我们还涉及了其它的物理分类方法。 第四章中指出了在工作中所采用方法的不足，以及在未来工作中要改进的地方。