天体光谱中蕴含着非常丰富的天体物理信息,通过对光谱的分析,可以得到天体的物理信息、化学成分以及天体的大气参数等。随着LAMOST、SDSS等大规模巡天望远镜的实施,将会产生海量的光谱数据,尤其是LAMOST正式运行后,每个观测夜产生大约2～4万条光谱数据。如此海量的光谱数据对光谱的快速有效的处理提出了更高的要求。本课题就是在此背景下提出来的,目标是研究海量恒星光谱的自动处理技术。对恒星光谱数据的自动处理技术可以分为两类：一类是恒星光谱的自动分类技术,另一类是恒星大气物理参数的自动测量技术。根据光谱的谱线与连续谱的相对强度以及光谱的其他特征,将恒星分为O型、B型、A型、F型、G型、K型、M型七大类。恒星连续谱的分布以及谱线的轮廓是由恒星大气内的物理因素决定的,恒星大气最基本的物理参数包括表面有效温度(Teff)、表面重力加速度(log g)、化学丰度(Fe/H)。目前利用光谱的波长和流量信息对光谱进行分类以及参数测量的方法比较多,但是光谱数据的维数很高,往往需要经过归一化、降维等一系列的预处理,运算量非常大。本文研究了基于Lick线指数进行光谱分类及大气参数测量的方法,针对海量光谱的情况,基于Hadoop平台实现了Lick线指数的计算,以及利用贝叶斯决策进行光谱分类的方法。利用Hadoop HDFS高吞吐率和高容错性的特点,结合Hadoop MapReduce编程模型的并行优势,提高了对大规模光谱数据的分析和处理效率。本文的创新点为：1.以Lick线指数作为特征,基于贝叶斯算法实现恒星光谱分类,基于核偏最小二乘回归方法实现恒星大气参数的测量；2.基于Hadoop MapReduce分布式计算框架实现Lick线指数的并行计算以及贝叶斯分类过程的并行化。