宇宙的基本结构单元-星系,它的形态、结构、性质、规律性、多样性以及集成历史的相关科学问题是目前天体物理学家面临的重要挑战。为了了解银河系的结构、演化以及动力学历史,需要对分布在银河系中的大量恒星样本进行准确的质量和年龄估计。尽管目前的光谱巡天为大量恒星提供了位置、温度、化学丰度、质量与年龄等信息,但目前年龄等参数相关的精度、准度、系统误差以及不同方法的优劣势仍然缺乏系统深入的剖析,从而阻碍了我们对银河系中不同星族恒星形成历史的认识,所以我们仍然需要不同的方法去探索和测定大样本恒星的质量和年龄。为了解决上述问题,我们将LAMOST和Kepler的星震学数据进行交叉匹配,以同时获得具有恒星质量（年龄）以及恒星参数的高精度训练样本,并基于机器学习方法在这两者之间建立联系,对恒星参数已知的大样本恒星进行质量和年龄估计。通过仔细挑选,我们对948 216颗大样本恒星进行了质量预测,对163 105颗红团簇星进行了质量和年龄预测,其预测结果与前人的工作进行比较后发现具有较好的一致性,验证了我们方法的可靠性。我们的工作具体可分为两个部分:第一部分我们假设不知道哪些恒星参数与恒星年龄具有较高的相关性,因此采用了核主成分分析对所有的恒星参数进行了数据降维,并探究了核主成分分析所使用的主成分个数与模型预测性能的相关性。结果发现在当主成分个数达到4的时候模型的预测性能开始趋于稳定,测试集显示预测的弥散为0.72,绝对误差的中位值为0.25 Gyr,相对误差的中位值为8%,最后还将红团簇星年龄预测的结果与星震学可靠样本进行了对比,其精度可以达到19%。第二部分为了提高模型预测的效率,我们提取出了与恒星质量或年龄具有高度相关性的恒星参数,并只用这些高相关性的恒星参数对模型进行训练,然后对大样本恒星的质量以及红团簇星的质量和年龄进行了预测。测试集显示其预测的绝对误差中位值分别为0.05 M☉、0.05 M☉和0.21 Gyr,相对误差中位值分别为3%、4%和7%。而后我们将预测结果与高分辨率星震学的可靠样本比较,发现对于大样本,最后的质量精度可以达到13%;对于红团簇星,质量精度可以达到9%,年龄精度达到18%。最后,在本文中通过误差分析比较了多种机器学习方法如:包括多元线性回归、贝叶斯线性回归、梯度提升决策树回归、随机森林回归、多层感知器回归和支持向量回归,我们发现,非线性模型相较于线性模型更符合我们的预期,而其中以决策树作为基础的梯度提升决策树和随机森林算法的表现相对更为优异。