В данной статье представлен автоматизированный алгоритм калибровки длины волны щелевых астрономических спектров, основанный на сочетании методов машинного обучения и надежных алгоритмов сопоставления. Предлагаемый подход включает в себя одномерную сверточную нейронную сеть (CNN) для автоматической идентификации спектрального диапазона, за которой следует первоначальное сопоставление пиков с использованием метода динамического временного сдвига (DTW) и последующее уточнение с помощью алгоритма консенсуса случайных выборок (RANSAC). Модель CNN обучена как на синтетических, так и на реальных спектральных данных и демонстрирует высокую точность классификации для различных дифракционных решеток. Метод DTW обеспечивает надежное начальное совмещение наблюдаемых и эталонных спектров даже при наличии нелинейных искажений и шума. Применение RANSAC дополнительно повышает точность калибровки за счет отсеивания некорректных соответствий пиков и оптимизации решения дисперсии. Метод был проверен на реальных данных наблюдений от калибровочных ламп и демонстрирует высокую устойчивость, эффективность и возможность полной автоматизации. По сравнению с традиционными ручными или полуавтоматическими подходами, предложенный конвейер значительно сокращает время обработки, сохраняя при этом высокую точность калибровки. Разработанное решение планируется развернуть в виде сервиса в инфраструктуре виртуальных обсерваторий и применять для обработки многочисленных спектральных данных.