本书紧跟现代天文统计学的发展潮流，深入探讨了大数据时代背景下天文观测数据的分析与处理方法。全书分为两部分，第一部分系统介绍了天文数据的来源与处理，包括统计学基础、数据分析方法、最小二乘法、周期分析、优选似然估计、贝叶斯估计等先进的分析工具；第二部分则聚焦虚拟天文台的实际应用，展示了如何在大规模数据环境下进行高效的科学分析和分类判断。本书为读者提供了从理论到实践的全面指南，适合关注天文学及大数据应用的科研人员和技术爱好者。

从20 世纪90 年代末开始，天文统计学的现代领域迅速发展。随着时代的进步，对自动分类工具的需求变得越来越重要。天文学中大数据的增长通常来自光学波段的大视场巡天，当维度或数据集的大小较高时，就需要将先进的数据分析和可视化技术与大脑思维和肉眼检查相结合，以统计上一致的方式做出聚类和分类的科学判断。本书分两部分，第一部分介绍了天文观测数据的来源以及常用的数据处理方法，如统计学基础、数据分析方法、最小二乘法、周期分析、优选似然估计、贝叶斯估计、大数据分析方法、第二部分着重介绍了虚拟天文台的实际应用。

彩图丛书序前言术语表第一部分 天文数据处理第1 章 引言1.1 天文学与统计学 1.2 天文数据处理的参考书1.3 科学计算与可视化的编程环境 第2 章 天文观测图像处理 2.1 天文观测技术 2.2 天体光度测量2.3  天体分光测量 第3 章 统计学基础 3.1  随机变量的概率分布 3.2  随机变量的期望值和方差3.3  观测样本的统计量 3.4  正态分布3.5 卡方分布 3.6 t 分布3.7 随机变量的产生3.8 KS 检验 第4 章 数据分析方法4.1 观测量的不确定性4.2 正态分布的置信区间 4.3 观测结果的报道 4.4 误差传递 第5 章 最小二乘估计 5.1 最小二乘法5.2 模型拟合 5.3 模型拟合评估6.1 功率谱分析6.2 小波分析第7 章 优选似然估计 7.1 优选似然估计 7.2 正态分布的优选似然估计 7.3 模型参数的优选似然估计 第8 章 贝叶斯估计 8.1 贝叶斯统计 8.2 贝叶斯估计 8.3 基于正态分布的贝叶斯估计 8.4 MCMC 方法 第9 章 大数据分析方法9.1 大数据与人工智能9.2 主成分分析（PCA） 9.3 核回归 9.4 支持向量机（SVM） 9.5 k 近邻（kNN） 9.6 k 均值（k Means）与高斯混合模型（GMM） 9.7 决策树（DT）和随机森林（RF） 9.8 神经网络（ANN）与深度学习（DL）第二部分 虚拟天文台第10 章 虚拟天文台的推手10.1 多波段和多信使天文学 10.2 时域天文学10.3 科学研究的第四范式：数据密集型科学10.4 虚拟天文台发展简史10.5 技术成就梦想 第11 章 虚拟天文台的架构和技术标准 11.1 虚拟天文台的体系架构 11.2 IVOA 主要标准与规范第12 章 虚拟天文台工具与服务12.1 VO 资源概述12.2 桌面工具 12.3 数据服务 12.4 应用服务 第13 章 中国虚拟天文台13.1 发展简史 13.2 目标与定位 13.3 研究与开发13.4 资源与服务13.5 学科发展和人才培养 第14 章 前景与展望 14.1 联合巡天处理（JSP） 14.2 面向EB 量级数据的天文科学平台 14.3 变革型科学