LAMOST-DR1是郭守敬望远镜正式巡天发布的首批数据, 其数量超过目前世界上所有已知恒星巡天项目的光谱总数。 这为进一步扩大特殊和稀少天体如激变变星的数量提供了样本, 同时也对天文数据处理方法和技术提出了更高的要求。 针对LAMOST的数据特点, 提出一种能够在海量天体光谱中自动、 快速发现激变变星的方法。 该方法使用拉普拉斯特征映射对天体光谱进行降维和重构。 结果表明不同类别的天体光谱在拉普拉斯空间中能够得到较明显的区分。 在使用粒子群算法对神经网络的参数进行优化后, 对LAMOST-DR1的全部数据进行了自动识别。 实验共发现了7个激变变星, 经过证认, 其中2个是矮新星, 2个是类新星, 1个是高度极化的武仙座AM型。 这些光谱, 补充了现有的激变变星光谱库。 本文验证了拉普拉斯特征映射对天体光谱进行特征提取的有效性, 为高维光谱进行降维提供了另一途径。 在郭守敬望远镜正式发布的数据中寻找激变变星的首次尝试, 实验结果表明该自动化的方法鲁棒性好, 速度快, 准确率高。 该方法也可用于其他大型巡天望远镜的海量光谱处理。

由于多重反射和散射，高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础，因此提取精度不高。针对高光谱图像的非线性结构，提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法。该方法结合高光谱数据的物理特性，将图像欧氏距离引入拉普拉斯特征映射进行非线性降维以更好地去除高光谱数据集中冗余的空间信息和光谱维度信息，然后对降维后的数据利用寻找最大单形体体积的方法提取端元。真实高光谱数据实验表明，提出的方法对高光谱图像端元提取具有良好的效果，性能优于线性降维的主成份分析算法和原始的拉普拉斯特征映射算法。