随着观测手段的不断进步,天体光谱数据在迅速增加,我国在建的LAMOST望远镜,每个观测夜可以得到2-4万条天体光谱.面对如此巨大的海量数据,采用自动的光谱分析与识别方法已成为必然的选择.天体光谱的自动分析与识别主要包括光谱分类、参数测量和谱线证认.针对光谱自动处理的各个环节,我们利用模式识别的方法对星系光谱的自动处理相关技术进行了研究.主要工作有:1.对光谱的去噪进行了研究,提出了一种基于均值漂移的自适应双边滤波方法.其性能仅取决于空域的核尺度参数,幅度域的核尺度是根据信号的局部特征自适应选取的.该方法能够去除脉冲噪声,能有效抑制非脉冲噪声,并有较强的边缘保护能力,比较适合非发射线天体光谱的去噪.2.非发射线天体光谱是天体光谱谱线自动提取中最难处理的一种.已有的谱线自动提取方法大都对发射线天体光谱较为有效,而对谱线较弱的非发射线天体光谱处理不好.提出了一种适于非发射线天体光谱的谱线自动提取方法.首先,采用迭代处理拟合出较为满意的连续谱;其次,联合采用整体阈值处理和自适应的局部阈值处理提取谱线.实验结果表明:该方法的性能较之传统的小波方法有显著的提高.3.提出了一种新的星系光谱分类方法,将星系光谱分为正常星系和活动星系.先对原始光谱进行二进小波分解,选择主要包含谱线信息的第四级小波系数作为光谱的小波特征.再利用主分量分析对光谱的小波特征进行特征压缩,得到光谱的识别特征.最后利用Fisher线性判别分析实现分类.不同于已有的方法,该方法能够在红移值未知的情况下,对流量未定标的星系光谱进行识别.4.红移测量和谱线证认是天体光谱自动识别中最重要的内容.本文提出了一种基于知识的天体光谱的红移测量和谱线证认方法.首先,利用谱线的相关知识对红移候选和特征谱线候选进行了定义,并根据定义交叉确认红移候选和特征谱线候选,然后,利用Parzen窗法对所得到的红移候选集进行密度估计,最后,确定密度最大的红移候选,将落入其Parzen窗内的所有红移候选值进行平均得到红移,与这些红移候选值相对应的谱线候选即为谱线.与现有的基于谱线匹配的方法相比,该方法对谱线提取效果的依赖程度较低.5.提出了一种新的基于交叉相关的红移测量方法.该方法首先利用提取出的谱线