天体源的天文测量产生了测量通量与时间之间关系的噪声时间序列流,然而与许多其他物理领域不同的是,天文数据中的大量且特定于源的时间间隔,是由昼夜反复出现的节奏序列的选择以及季节的限制自然产生。为了更加高效的对这些数据进行处理,需要在减少人工介入的情况下,对含有噪声、不规则采样数据采用更加准确的挖掘和分类技术。在其他具有庞大数据集的类似领域的应用中,人工神经网络已被证明对许多时间序列的分类和预测任务是有效的,其通常的做法是使用具有全连接层的神经网络,该网络将每个序列视为由独立的观察值组成。在众多的神经网络中,卷积神经网络在语音识别,图像分析等领域卓有成效,其高效的优化技术,相较于其他网络更易于训练。同时,卷积网络非常适合于识别时间序列数据中的局部短期模式,但是其对于长度不等的不规则序列难以进行处理。循环递归神经网络在处理任意长度的时间序列上拥有着独特优势,但其劣势也因为过于重视时间效应,而导致计算时间以及计算量远高于卷积神经网络。因此,本文结合两种方法的优势,将卷积神经网络和循环递归神经网络进行融合,形成一维卷积神经网络融合模型CNN-G,用以实现天文时序数据的分类任务。该模型既能够处理大批量数据,又能够协助人工操作,提高天文光源分类的准确性。本文主要研究内容是:第一,收集大口径全景巡天望远镜LSST模拟的天文时序数据,并依据时间特性将天文光源数据集划分为元组数据集和普通数据集两组数据集,其中元组数据集包含天文光源的基本特征,普通数据集包含天文光源的时序特性。然后对元组数据进行探索性数据分析,通过构建不同种类光源的分布直方图、箱线图、宇宙坐标图和相关关系图,来寻找不同光源之间存在的差异。最后对普通数据集进行分析,构建出不同天文光源在六个通带中的亮度变化曲线以及两个数据集中不同数据列之间相关关系图,以帮助我们对天文光源进行辅助性分类,为之后的特征选取和优化模型做准备。第二,将传统的卷积神经网络(CNN)和循环递归神经网络(RNN)进行融合。分别利用这两种网络的优势,通过下采样过程将非常长的输入序列转化为高级特征,再组成可以被输入循环递归神经网络GRU层的更短特征序列,构建了一种新的基于门控循环单元结构的一维卷积神经网络融合模型CNN-G模型。通过对大口径全景巡天望远镜LSST模拟的2022年到2025年间的天文时间序列数据进行特征提取,并构建一维卷积神经网络融合模型CNN-G模型进行训练,与传统的一维卷积神经网络CNN和循环递归神经网络RNN进行比较。数值结果表明,CNN-G模型的准确率为97.12%,相比较CNN和RNN模型分别提高了2.53%和11.88%;损失值为0.1157,相比较CNN和RNN模型分别降低了24.82%和34.38%;训练时间为21.65min,相比较CNN和RNN模型分别缩短了17.96%和98.25%。说明该模型能够在保证准确性的前提下处理海量天文时序数据,同时有着良好的可扩展性。本文研究表明,相比较传统的卷积神经网络以及循环递归神经网络,一维卷积神经网络融合模型CNN-G模型能够对天文时序数据进行高效处理,有效节省了循环递归神经网络RNN在处理序列时所需的时间,还能够借助循环递归神经网络RNN的时间敏感性,提高对模拟天文时序数据分类任务的预测精准度,进一步优化国内外天文时序数据的分类技术。