恒星光谱分类是天体光谱自动识别的基本任务之一,光谱分类的研究不仅能为恒星的演化提供线索,同时也为阐释星系的形成奠定了基础。LAMOST作为天体光谱获取率最高的望远镜,获得的光谱数量已达千万量级,如何对已有的恒星光谱进行准确的分类成为了天文学家要解决的难题之一。本文首先介绍了恒星光谱分类理论及其发展现状,然后使用卷积神经网络(Convolutional Neural Network,简称CNN)对一维恒星光谱数据进行分类处理,并与其它分类算法进行对比。特别地,针对恒星光谱中O型星数量较少不能直接使用CNN对其进行分类的情况,提出使用生成式对抗网络(Generating Antagonistic Network,简称GAN)的方法生成大量O型星伪样本并进行质量评估。最后在LAMOST所有Unknown数据中进行O型星的挖掘。本文的主要工作如下:(1)提出了一种基于CNN的深度学习方法对恒星光谱MK系统进行分类。针对恒星光谱分类准确率不高、分类耗时较长等问题,本文利用CNN对预处理后的恒星光谱进行分类,为了防止过拟合加入dropout,并与其他算法进行对比。结果表明,CNN算法对恒星光谱分类的平均准确率能达到97%,是已有算法中最高的。(2)首次利用GAN模型生成大量O型星伪样本,并对其进行质量评估。针对恒星光谱中O型星光谱数量较少无法直接应用CNN对其进行分类的问题,首次将GAN应用到光谱生成的工作中,利用已有的O型星光谱生成大量的伪样本,并对生成的光谱进行了质量评估。实验结果显示,利用GAN生成的伪样本质量较好,可以应用到分类及后续的O型星挖掘工作中。(3)建立了一个完整的恒星分类及O型星挖掘系统,对LAMOST数据中所有的Unknown数据进行O型星的挖掘,在天文技术中,这个方法的提出是具有独创性的。首先利用搭建好的GAN模型和已有的O型星样本生成高质量的O型星伪样本,然后用已知种类的星体对CNN进行训练和测试,调节网络参数,使其拥有最高的分类准确率并保存其模型,之后将LAMOST数据库中所有Unknown光谱依次通过这两个保存好的CNN模型,完成O型星的挖掘。经过天文台专家的证认,最后从Unknown数据中挖掘了200条O型星,既证明了试验的可行性,同时更新了已有的LAMOST中O型星的数量,为天文研究做出了贡献。