M亚矮星是一类低质量、低光度的贫金属性的恒星,被认为是银河系中的古老群体。M亚矮星的研究对于探索银河系的演化和组成至关重要。然而由于M亚矮星和M矮星有着相似的光谱形态,使得二者往往混淆在一起。近年来随着机器学习的发展,为M矮星和M亚矮星的分类提供了许多新的方法。本文重点采用基于决策树的集成学习算法构建了M矮星和M亚矮星的分类模型。集成学习不仅能产生最终的预测结果,还能有效评估区分二者的特征。另外实验结果表明本文在LAMOST数据集上构建的LightGBM模型可以有效区分M矮星光谱和M亚矮星光谱,算法准确率达到97.22%,并成功应用到了 SDSS数据集上。本文主要分为以下四个部分:(1)数据预处理数据预处理过程包括光谱数据的获取、插值、归一化和去除大气吸收线等操作,以及数据集的划分。(2)模型构建本实验中,利用LAMOSTDR4的光谱数据,分别构建了 SVM、随机森林、XGBoost、LightGBM训练模型,其中LightGBM分类效果最好,并且运行效率最高。本文的创新点之一就是将比较先进的集成学习算法LightGBM率先应用到M矮星和M亚矮星的分类问题当中,并且通过实验结果说明了这是一种行之有效的方法。(3)特征分析本文的第二个创新点就是对于M矮星和M亚矮星分类特征重要性的一个量化。通过对LightGBM模型评估的特征进行分析,本实验发现Ti05和CaH1、CaH2、CaH3对区分M矮星和M亚矮星十分重要,这和先前的研究相符。除此之外,本实验还发现对于重力比较敏感的吸收线(Na I和K I),和对于金属性比较敏感的原子线(Ca Ⅰ)同样对于二者的分类有着重要的影响。(4)搜索M亚矮星最后我们将构建的LightGBM模型应用于SDSS DR7的5306条M型光谱数据,并成功搜索到2538条M亚矮星光谱。本文的工作,对于从大型巡天项目中搜索M亚矮星提供了新的方法。