天文学不断发展的需求推动着更为精密的天文观测仪器的产生,LAMOST(Large Sky Area Multi-Object Fibre Spectroscopy Telescope)是我国科学家自主创新的反射施密特望远镜,是世界上光学望远镜的一个很大的突破。LAMOST发布的海量光谱数据信息,需要光谱自动分类算法高效、准确地实现光谱识别与分类,为天文学的研究与发展提供有价值的数据和信息资源。本课题所使用的数据来自LAMOST-DR2的恒星光谱数据,恒星光谱数据中包含着关于恒星的诸多属性信息。通过对数据的研究与分析,发现不同类别的恒星光谱具有不同的光谱数据特点,不同类别的恒星光谱与光谱波长对应的流量信息具有一定的联系。从FITS文件中提取出恒星光谱数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理后得到最终的数据集。根据多种分类算法的比较,本课题采用分类结果较佳的BP神经网络(Back Propagation Neural Network,BP神经网络)算法实现对数据集的分类。但BP神经网络对测试集数据的单次测试结果不具有代表性,所以采用交叉验证与BP神经网络相结合的方法,通过多次训练、测试来得到BP神经网络模型相对稳定的测试结果,避免结果的随机性。针对BP神经网络算法收敛速度慢、易陷入局部最优值等缺点,本课题采用粒子群算法(Particle Swarm Optimization Algorithm,PSO算法)改进BP神经网络算法,通过对BP神经网络中的权值、阈值进行优化,再利用具有优化后权值、阈值的BP神经网络对恒星光谱数据进行训练、预测,从而提升网络收敛速度,避免陷入局部最优值,提升BP神经网络模型对恒星光谱分类预测的能力。BP神经网络的缺点无法从根本上消除,所以采用能够避免此类缺点的RBF神经网络(Radial Basis Function Neural Network,RBF神经网络),实验结果表明RBF神经网络的预测性能比BP神经网络更好;同样,利用PSO算法优化RBF神经网络,再根据优化后的RBF神经网络实现分类预测,结果显示PSO-RBF进一步提升了模型对恒星光谱分类预测的性能。本课题的创新之处是不仅提升了恒星光谱数据分类结果的正确率,还对恒星光谱数据子类别进行了分类研究。