郭守敬望远镜（LAMOST）是我国自主创新研制的大天区面积多目标光纤光谱天文望远镜，自建成运行十余年来其光谱获取率一直保持着世界领先水平。
LAMOST望远镜的重要观测参数之一是恒星的视向速度，该参数主要通过测量恒星光谱的谱线在多普勒效应的影响下产生的移动值来得到。LAMOST不同分辨率下对视向速度测量的精度有不同的要求：低分辨率R=1800的情况下，要求恒星的视向速度测量精度达到5km/s，在此要求下光谱仪的图像漂移应小于0.6um/h（0.1pixl/2h）；中分辨率R=7500的情况下则要求恒星的视向速度测量精度达到1 km/s，这就要求光谱仪的图像漂移量更少，从而对光谱仪稳定性能提出了更高的要求。
然而，由于LAMOST光谱房内缺少恒温控制系统，昼夜的环境温度变化会导致光谱仪的内部器件产生热诱导变形，从而导致CCD成像产生漂移，降低视向速度测量的精度。目前LAMOST光谱房中一个观测夜内的温度变化大约0.3℃~0.5℃，CCD的图像漂移约在0.3pxiel~0.5pixel。为了达到低分辨率下恒星视向速度测量精度5km/s的技术要求，在观测过程中需要拍摄数次定标灯谱进行检测并校准以减小误差。但这一过程在正式的巡天观测中会占用较多的观测时间，影响LAMOST的运行效率。
此外，较大的温度变化同样会影响光谱仪的成像质量。在一个季度内LAMOST光谱房内的温度变化约在5℃~10℃，会导致光谱仪CCD成像产生一定程度的散焦。目前这种离焦主要通过每日拍摄定标灯谱来监测光谱仪的成像质量，并人为进行判断及校正的措施来补偿。这就引入了人为因素的干扰，对LAMOST天文参数的测量结果带来了一定的误差。
基于以上观测现状及国际上4米级以上望远镜终端仪器主动补偿技术的发展趋势，结合LAMOST中、低分辨率光谱仪稳定性能现状，本文利用机器学习与图像处理技术分析LAMOST光谱巡天的观测数据，利用LAMOST光谱仪照相镜电动调焦系统，开展基于光谱仪照相机系统的主动补偿技术方法的研究，补偿由于温度变化导致的光谱仪图像漂移及其成像质量的变化，提高LAMOST仪器的稳定性能，减小人为因素的干扰，提高LAMOST光谱仪巡天视向速度的测量精度。

本课题拟采用通过构建质量评价函数对光谱仪成像质量进行离焦诊断与通过构建神经网络模型对光谱仪图像漂移做出实时预测两种措施结合，并通过电动调焦系统进行相应校正的方式来提高温度实时变化下的光谱仪的稳定性能。
主要研究内容有：
1.提出一种基于多目标图像清晰度评价的方法，该方法利用基于最小二乘的椭圆拟合算法计算光斑的中心坐标，在此基础上采用GMM拟合计算单个光斑FWHM值，并根据所有目标光斑的总体质量情况作为图像清晰度评价的标准，构建离焦函数模型实现对LAMOST光谱仪的离焦诊断；
2.提出一种基于LMA算法的BP神经网络模型，以光斑的中心点坐标为基础，通过比较不同时间温度下的定标灯谱图像中每个光斑的中心位置变化来计算图像的漂移，并构建基于LMA算法的BP神经网络模型，以时间和温度作为输入，图像漂移作为输出进行训练，最后利用当前的温度和时间预测当前图像的漂移变化，实现对LAMOST光谱仪图像漂移的实时预测。
结果表明，基于多目标的图像清晰度评价方法对LAMOST光谱仪进行离焦诊断，其误差在10μm以内，小于电动调焦系统±20μm的定位精度；基于LMA算法的BP神经网络模型对LAMOST光谱仪进行漂移预测，在170分钟内的图像漂移平均预测精度为：空间方向为0.0346pxiel，色散方向上为0.0056pxiel，均小于每两小时0.1pxiel的技术要求。因此，该光谱仪主动性补偿技术方案可以有效提高LAMOST光谱仪稳定性能，为今后实现LAMOST运行的无人值守与智能化奠定基础。