分类是数据挖掘、机器学习中的主要研究内容之一,高效的分类方法一直受国内外学者的关注,在医学、气象、金融等越来越多的领域得到了成功应用。随着世界各国对空间战略的普遍重视,先进的天文观测技术积累了越来越多的光谱数据,搜寻与识别稀有特征的天体目标对人类深入认识宇宙具有重要的研究意义,而具有双峰轮廓特征的光谱数据可以为天文学家完善对双活动星系核、星系对以及双黑洞等科学任务的研究提供重要证据。天体光谱中呈现的双峰轮廓具有稀有、复杂性、多样性等特征,极大增加了从海量光谱数据中发现、搜寻与识别的难度。因此,本课题针对我国重大科学工程LAMOST望远镜观测得到的实际光谱数据中具有双峰轮廓特征的光谱识别问题,基于相关子空间、SVM、概念格等思想,对双峰轮廓特征光谱数据的特征提取、搜寻与识别、结果评估等内容展开分类方法研究工作,主要内容如下:(1)提出一种基于相关子空间的双峰轮廓特征提取方法。针对光谱数据的海量、高维、特征稀疏问题,利用稀疏因子刻画特征维度上局部数据集的稀疏程度,从而进一步分析不同特征维度在数据集中出现的频率,基于此,提出了一种基于相关子空间的双峰轮廓特征提取方法。选择LAMOST已证认的双峰轮廓光谱数据,通过实验验证该方法的正确性,结果显示该方法可以对光谱数据有效降维,在提取的8组频率较高的特征子空间中,经专家证认均为比较重要的特征线,稀有的双峰轮廓有高概率呈现在这几组特征线上。此外,对已证认的特征子空间及其基本性质进行了形式化描述,为进一步双峰轮廓的搜寻识别奠定基础。(2)提出一种基于SVM的双峰轮廓光谱数据识别方法:DoPS。首先,在双峰轮廓特征提取方法的基础上,利用Apriori方法挖掘特征子集间的频繁项集并利用上/下近似理论对频繁项集进行近似分析,进而将特征子集按其内在相关性分组;其次,利用SVM方法学习合适的支持向量阈值,建立基于超平面的分类器;在此基础上,提出了一种基于SVM的双峰轮廓光谱数据识别方法DoPS。选择LAMOST巡天5组不同量级的光谱数据作为测试集,实验表明DoPS算法在效率、准确率、召回率等方面与其他同类算法相比具有更大优势。同时,证认过程中发现一条具有P-Cygni轮廓极稀有特征的光谱,本文就其特征进行了初步理论分析,该样本的发现对研究特殊天体、完善宇宙演化理论具有重要的科学意义。(3)提出一种双峰轮廓识别与结果评估方法:SVM-Lattice。针对DoPS的特征相关性考虑以及其分类结果评估问题,设计了基于DoPS和概念格的双峰轮廓识别与评估方法SVM-Lattice。利用DoPS方法对节点的内涵与外延进行定义,内涵为双峰轮廓光谱样本训练而得的支持向量,外延为超平面分类的正样本。每个节点为不同特征的DoPS分类器,层间关系可以作为分类结果的评估依据。在此基础上,提出SVM-Lattice的构造算法和识别算法。选择不同的LAMOST数据集与其他类似算法进行实验分析,结果表明,SVM-Lattice的效率稳定、准确率高于其它算法,从而证明了该方法的有效性和可行性。