本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

Dec, 2017

利用基于卷积神经网络 (CNN) 的 QuasarNET 模型和数据增强技术，本研究通过确定 Laman Break Galaxies (LBGs) 是否是 LBGs 以及通过红移确定它们与地球的距离，进而将这些星系放置在 DESI 的 3D 地图上，提高模型性能并实现了高达 94% 的平均得分。

Jun, 2024

本篇论文使用多目标学习的卷积神经网络来搜寻和表征夸克星光谱中的强氢 Lyman-Alpha 吸收，并完成分类和定量测量。该算法能够准确地预测 HI 吸收的存在性，并估计相应的 redshift zabs 和 HI 柱密度 NHI，并使用自定义的训练集进行模型训练，最后在 SDSS-DR7 和 BOSS 数据集中应用，证明了深度学习在天文光谱测量方面应用的有效性。

Sep, 2017

本研究使用卷积神经网络和深度学习管道自动检测强透镜效应，并在多波段图像中检测到了可以用于光谱学确认的 161 个候选源。

Jul, 2023

本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

Nov, 2022

本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

Jun, 2017

本文提出了一种名为 IICnet 的深度学习分类网络用于分类 WISE 图像中的源，实验结果表明 IICnet 对 WISE 源的特征提取具有良好的能力，分类效果也优于其他方法，同时在处理红外图像方面也显示出优越性，是一种有效的红外源分类方法。

May, 2023

利用神经网络来估计星系样本的红移分布，得出它能够获得每个星系的概率密度函数，并通过 CFHTLenS 上的 58714 个星系进行实验，证明该方法在使用 5、4 或 3 个光学波段信息时能够提供真实 NZ 的极佳表示，并研究了训练目标样本数量不足和样本数据大小不一致的情况。

Dec, 2013

DASH 是一个使用深度卷积神经网络的自动超新星和宿主星系分类器，通过学习超新星的类型和年龄的特征进行分类，实现几百或几千个对象的精确分类，其速度、准确性、易用性和可操作性，使 DASH 成为现有光谱分类工具的一个进步。

Mar, 2019