宇宙中存在一些稀有星体,这些星体数量稀少但有重要研究价值。在海量天文观测数据中,智能高效地识别稀有星体能更好地辅助天文学家研究宇宙。由于稀有星体数据较少,可识别的特征不多,传统稀有星体识别方法需要人工选择特征,无法实现智能化识别。本文面向稀有星体的数据增强与识别模型进行研究,具体分为以下三个方面:首先,本文对光谱数据与图像数据进行预处理,并提出了一种基于局部连接卷积与生成对抗网络的稀有星体光谱数据增强模型LCGAN。实验证明,与现有的光谱数据增强方法相比,LCGAN模型能够学习不同波段上的数据特征,生成兼具真实性和多样性的稀有星体数据。其次,通过分析光谱数据的特点,本文提出了一种基于深度学习的稀有星体光谱识别模型FACR。该模型通过卷积神经网络提取光谱特征,利用多头自注意力机制关注重点特征,并使用Focal loss关注难识别的样本,设计残差结构简化模型训练。实验证明,在易混淆的恒星数据集中,与现有方法相比,FACR模型的识别效果有一定的优越性。最后,针对包含信息较少的星体图像,本文引入光谱数据作为辅助,提出了一种多模态稀有星体识别模型AOR-CR。该模型利用多模态协同学习方法将图像特征转换到光谱特征空间,最后结合图像特征和转换的光谱特征,共同完成稀有星体识别任务。在类星体和恒星数据集上的实验证明,该模型能在训练时学习光谱的先验知识,相较于单独使用图像数据,能够更好地完成稀有星体识别任务。