随着科技的快速发展,越来越多的大型天文观测设备已经开始正式巡天,给天文研究者提供了海量的恒星光谱数据,可以用于恒星分类以及恒星大气参数估计的研究,有助于我们了解恒星和星系的本质,更深刻地探索宇宙的奥秘。极贫金属（Very Metal-poor,VMP）星是指金属丰度[Fe/H]<-2.0 dex的恒星。它们是宇宙中最古老的一类恒星,其独特的金属丰度有助于我们探索早期宇宙恒星化学元素的增丰机制和演化历史。然而,目前大多数的恒星参数估计方法在确定VMP恒星的大气参数时效果并不理想。本文提出了一种新的基于卷积神经网络（Convolution Neural Network,CNN）的恒星大气参数回归模型,用于精确确定VMP恒星的大气参数和准确识别VMP恒星,识别准确率为91.24%,并且应用到LAMOST DR7数据上来筛选VMP恒星的候选体;另外,碳丰度[C/Fe]可以用来推算出星系结构形成的时间,也是恒星中极其重要的元素,实验证明,本文中的方法可以精确估计VMP恒星的碳丰度值;最后,本文将放眼未来,对空间天文望远镜获取的恒星光谱进行了预研究。本文主要进行了以下研究:（1）构建样本数据和数据预处理。实验中使用LAMOSTDR7中的25000条低分辨率恒星光谱,VMP恒星参数标签由李海宁和Yuan提供,其他正常恒星参数标签由LAMOST恒星参数管道（LAMOST Stellar Parameter Pipeline,LASP）提供;本文将原始光谱数据插值到相同波长范围内,并归一化光谱流量值,然后将一维光谱数据转化为二维光谱矩阵的形式,输入到CNN模型中进行训练测试。（2）回归算法模型的构建。如何在众多的机器学习算法中选择合适的算法并进行优化,使算法能够适用于海量的光谱数据是需要研究的内容之一。本文构建了一个二维卷积神经网络,并同时与SVR、RFR、StarNet和The Cannon等算法进行对比,实验证明本文建立的CNN模型对大气恒星参数具有更好的估计精度。（3）VMP恒星样本的识别与筛选。利用搭建好的CNN模型对测试光谱数据的恒星大气参数进行精确估计,根据得到的金属丰度[Fe/H]的值来分析模型对VMP恒星的识别能力。实验结果表明,模型对VMP恒星的识别正确率高达91.24%。将模型应用到最新发布的LAMOSTDR7数据中,搜寻到32937颗VMP恒星候选体,并将其整理成fits文件放到了 GitHub上（https://github.com/xiejhhhh/VMP 1）。（4）在空间天文望远镜获取的恒星光谱上的应用。由于我国建设的大型空间天文望远镜空间站多功能光学设施（CSST）还没有正式巡天,所以本文通过降低LAMOST实测光谱和MARCS理论光谱的分辨率来仿真空间天文望远镜获取的恒星光谱,从而检验CNN模型在空间天文望远镜获取的恒星光谱上的表现。结果证明,模型可以对仿真光谱的Teff、log g、[Fe/H]、[C/Fe]、[N/Fe]、[O/Fe]和[α/Fe]等参数进行精确估计,可以作为一种未来确定空间天文望远镜获取的恒星光谱参数的候选方法。