天文学是一门古老的学科,天文研究与人类的活动密切相关,深刻影响着人类的自然观、宇宙观、影响人类的日常生产生活,甚至影响人类的社会观。天文与人工智能的交叉研究必将带来新的碰撞,相互促进,为彼此带来更好的发展机遇。目前利用人工智能技术进行天文的研究已经取得了一定的进展,比如利用机器学习与深度学习技术进行天体的自动处理,天文光谱的聚类、特征选取和自动分类等研究。天文研究中仍然有很多难题需要发展更好的人工智能和机器学习算法进行处理,比如天文光谱的降噪问题。在天文台数据观测和pipeline光谱数据的前期处理过程中,会由于星际消光、流量定标异常或该天体周围温度过高等问题造成光谱质量低下,这些光谱同正常光谱表现出非常不同的谱线特征,存在噪声较大、局部信噪比低,连续谱异常等方面的问题。以上都为我们天文研究工作带来了不便,需要对其进行光谱降噪重新修复。为了解决上述问题,本文以深度学习和机器学习在天文方面的应用为研究背景,进行了如下的研究:(1)系统总结了目前针对光谱图像降噪所使用的降噪算法以及他们在图像降噪中的表现特点和优缺点。创新性地利用循环一致性生成式对抗网络(CycleGAN)进行图像风格迁移的思想,分别选取SDSS中低质量光谱和非成对的高质量光谱进行对抗训练,把低质量天文光谱转化成高质量的天文光谱,这个过程就实现了天文光谱数据的降噪处理。(2)对比了 PCA重构光谱方法与本文所使用的算法在光谱数据降噪上的表现,突出了本文所选用算法的优越性。(3)选取成对存在的天文光谱进行降噪对比测试,即把生成的降噪后的天文光谱和原始的成对高质量天文光谱进行比对;选取多种类型的分类算法,比如集成学习(GBDT,XGBoost),专用的二分类算法SVM,分别对降噪前的天文光谱和降噪后的天文光谱数据,比对它们的分类准确率、精确率和F1指标。大量实验数据结果显示,循环一致性生成式对抗网络CycleGAN在光谱数据的降噪工作上取得了很好的效果。本文所使用的天文光谱降噪模型CycleGAN能够有效的去除掉天文光谱数据中的高噪声和假线,完成低质量天文光谱的再利用。这能够极大扩充天文光谱数据样本量,解决数据不充分的问题,对于光谱参数测量、星系研究等工作具有重要意义。