越来越多的国家开始开展大型巡天项目是因为天文学研究已经成为体现一个国家综合国力强弱的重要标准。在诸多的巡天任务当中,恒星/星系分类一直是天文学研究的一个重要目标。之前被普遍用以解决恒星/星系分类问题的是基于图形状态、启发式分割等原始方法。近些年来,随着原始方法在解决恒星/星系分类问题上速度慢,分类准确率低等缺点的突显。基于机器学习的优秀模型和算法也随之展开,但是机器学习的预测效果往往依赖于具体的问题。集成学习通过综合考虑若干个基学习器来预测最终结果,因此,其适应各种场景的能力较强,分类准确率较高。为此,本文研究基于集成学习的算法模型,并将其用于解决复杂天文数据的恒星/星系分类困难的问题。通过实验结果表明,集成学习算法模型综合考虑多个模型的优点,在解决天文数据的恒星/星系分类正确率低的问题上具备较强的学习能力。因此,基于集成学习的算法模型在解决恒星/星系分类问题上优于传统的数据挖掘分类算法,进而获得更好的分类效果。论文主要内容工作如下:（1）机器学习算法理论知识的介绍与准备。为了解决天文数据挖掘中恒星/星系的分类问题,本文首先,对机器学习的发展和理论知识做简单介绍;然后,详细论述了机器学习中的决策树、支撑向量机等基础算法;最后,重点研究了集成学习中Bagging思想、Boosting思想以及Stacking思想的算法原理,并且分别就不同的集成思想重点论述了随机森林、Adaboost、梯度提升决策树、XGBoost等算法。（2）基于斯隆数字巡天测光数据构建XGBoost集成算法模型并进行实验仿真。在讨论了集成学习中Boosting算法的基本思想以后,重点介绍了由Adaboost算法思想改进并延申的GBDT、XGBoost等强学习算法。同时考虑到斯隆测光数据中暗源星等集和最暗源星等集数据量欠缺、噪声较大等特点导致的恒星/星系分类准确率较低的问题,引入了XGBoost算法模型。在实验仿真中,使用完整的SDSS-DR7测光数据,即包括亮源星等集、暗源星等集以及最暗源星等集。首先,分别对亮源集、暗源集和最暗源集使用十折交叉验证法划分数据,然后使用划分后的数据训练XGBoost模型,最后将XGBoost模型在测试集上的预测结果同文献中功能树算法的实验结果相比,发现XGBoost算法在暗源星等集和最暗源星等集上的分类准确率分别提升了约11%和5%。（3）基于Stacking集成学习的恒星/星系最暗源星等集分类算法的设计与实验仿真。针对斯隆数字巡天计划恒星/星系中最暗源星等集分类正确率低的问题,本文构建一种新的基于Stacking集成学习的恒星/星系分类算法。在集成模型设计中,使用支持向量机算法、随机森林算法、XGBoost算法作为基分类器模型;使用梯度提升决策树算法作为元分类器模型,进而构建两层Stacking集成学习模型。在实验仿真中,首先,对最暗源星等集使用10折嵌套交叉验证划分数据,然后使用划分后的数据训练Stacking集成学习模型,最后实验结果表明,Stacking集成学习模型在最暗源星等集的恒星/星系分类准确率相比于文献中功能树算法提高了10%,同其它传统的机器学习算法、提升算法、深度学习算法相比也均有较大的提升。