LAMOST目前作为天体光谱获取率最高的天文望远镜是进行大视场、大样本天文学研究的有力工具,其最新一期释放的数据集已经超过1000万条光谱,是世界上第一个获取光谱数据超过千万量级的望远镜设备。本文主要针对LAMOST所获取的海量天体光谱数据,进行天体光谱自动处理算法,特别是恒星大气参数的自动测量算法方面的研究。在恒星光谱中,线指数能够较好地保留恒星的物理特征信息,利用线指数这一物理特征对恒星进行参数测量能有效解决高维光谱数据运算复杂度较高的问题。本文即是基于LAMOST望远镜观测光谱数据,采取线指数作为主要输入特征,研究分析了极端随机树(Extremely Randomized Trees,Extra-Trees)、极端梯度提升树(Extreme Gradient Boosting,XGBoost)两种集成树模型在A型恒星大气物理参数自动测量方面的应用。工作内容主要包括:(1)设计并实现了基于极端随机树模型(Extra-Trees)的恒星光谱参数测量算法。利用LAMOST-DR6中A型恒星光谱数据集进行了一系列的实验测试,详细进行了基于该算法下26个线指数与恒星有效温度、表面重力及金属丰度三个参数的相关性分析,发现不同参数对26个线指数的依赖性有所不同,本文利用该结果分别采用了相关性较大的线指数来分别测量三个参数。同时,分析了三个物理参数与峰值波长的相互作用,发现峰值波长仅可以影响恒星有效温度和金属丰度的测量精度。最终的实验结果表明,参数测量精度优于随机森林(RF)和支持向量机回归(SVR)两种常用算法。(2)设计并实现了基于极端梯度提升树模型(XGBoost)的恒星光谱参数测量算法。XGBoost算法是对传统梯度提升决策树(GBDT)算法的一个重要的改进算法,该算法能够分布式处理高维稀疏特征,具有运行速度快、准确度高、不易过拟合的优点,本文通过引入网格搜索算法对XGBoost模型的主要参数进行了参数调优。同时本文亦考虑了输出三个大气参数之间的相关性,通过实验分析得到了在进行每个参数测量时输入特征加入了另外两个输出参数的次序,这一改进能够增加测量算法的输入特征信息量。一系列设计的实验结果表明,该算法相比于Extra-Trees和传统GBDT及SVR三种算法在三个参数取得的测量精度上都得到了有效提升。