星系红移是研究宇宙大尺度结构和演变的重要参数。随着先进巡天望远镜的不断发展,星系测光数据进入指数增长时代。在此背景下,利用高效的机器学习算法处理海量测光数据成为必然趋势。本文首先介绍了测光红移理论及其发展现状,然后针对其数据特点对星系样本进行分类处理,并分别利用遗传优化的误差反向传播(Error Back Propagation,简称BP)神经网络、卷积神经网络、混合密度神经网络三种算法对星系测光红移进行回归预测和误差分析。本文的主要成果如下:(1)数据筛选与星系样本聚类分析。针对海量星系测光数据非线性的复杂特点,本文首先通过尘埃消光和阈值法进行数据筛选。再利用自组织神经网络对筛选后的数据进行颜色——星等的分类处理,将星系样本分为早型星系和晚型星系。结果表明,以上数据预处理方法能有效降低样本集数据的复杂度,减小后续回归预测的误差。(2)利用遗传优化的BP神经网络模型估计星系测光红移。本文利用BP神经网络对红移进行回归预测,并针对BP神经网络在梯度下降过程中,容易陷入局部最优解的缺陷,利用遗传算法对BP算法参数进行优化。实验结果表明,相较于最新的K近邻测光估计算法,BP算法在效率和精度上有很大的优势。优化后的BP神经网络对两种星系样本都能达到更好的预测精度,且优于K近邻算法预测结果。(3)利用改进的卷积神经网络算法估计星系测光红移。本文通过Tensorflow框架搭建卷积神经网络模型,并对模型进行适当改进,将常用于图像分类处理的卷积神经网络应用于测光红移估计问题中。通过用ReLU激活函数代替传统的Sigmoid激活函数的方法,直接对输出进行拟合,实现对连续非线性红移值的预测。实验结果证实,卷积神经网络成功应用于星系测光红移的预测,且精度较BP算法有一定的提高。(4)利用混合密度神经网络模型估计星系测光红移。本文依据混合密度神经网络模型概率密度核估计的思想对测光红移的条件概率分布进行拟合,从而实现对星系测光红移的非线性估计。将混合密度神经网络模型应用于测光红移的回归预测中是尝试性的创新之举。实验结果表明,其预测结果要优于BP神经网络模型,为测光红移预测研究开拓了新思路。