利用重力透镜技术，我们使用整个视场光谱观测了一个位于红移 $z = 2.54$ 的 A1689B11 螺旋星系。通过观测我们发现它是迄今为止发现的最古老的螺旋星系之一，通过捕捉到螺旋臂接近形成时期的它，我们可以推断这个星系属于一种罕见的在 $z>2$ 时期标志着薄盘形成的星系群体。

Oct, 2017

通过 Galaxy Zoo 项目，从 Sloan 数字巨星勘测中提取了近一百万个星系，邀请公众通过互联网对其进行视觉形态分类研究，得到了早期数据集所没有的新的形态分类目录，避免了代理变量引入偏差的情况，同时还可以通过颜色 - 等级图表直接比较星系的基础形态特征。

Apr, 2008

我们提出了第一个用于分割银河螺旋臂和棒状结构的深度学习模型。经过专家天文学家的盲评估，我们预测的螺旋臂掩模优于当前的自动化方法（99% 的评估）和我们的原始志愿者标签（79% 的评估）。专家评价我们的螺旋臂掩模在 89% 的评估中被评为 “大部分良好” 至 “完美”。从我们预测的棒状结构掩模派生出的棒长与一个专门的众包项目完全一致。我们掩模的像素级精度在以前是不可能的，在新的研究中将支撑螺旋臂和棒的演化。

Dec, 2023

本文报告了一次从大爆炸后 1200 万年开始，在 106.5Mpc³ 的代表性宇宙部分内跟踪了 130 亿年的宇宙演化历史，成功地创造了一种混合的椭圆和螺旋星系，复制了星系的分布和大尺度的氢统计学，同时在小尺度上也研究了星系的金属和氢含量。

May, 2014

研究使用 Galsxy Zoo 数据量化描述约 48,000 个星系的空间形态学，并提供了缩小了的深度校正分类数据，用于星系分类的选取，使用这些分类数据结合其他方法，探索了 1 < z < 3 时段中分布在恒星分布表面的星系群的动力学热度及星系进化等问题。

Oct, 2016

本文介绍了使用 Galaxy Zoo 项目的数值数据进行星系分类的机器学习模型，该模型利用卷积神经网络从星系图像中提取特征并将其分类为螺旋形或椭圆形。我们通过将模型与人类分类器在 Galaxy Zoo 数据集的子集上进行比较来证明模型的有效性。我们的结果表明，我们的模型在星系分类上具有高准确性，并有可能显著增强我们对星系形成和演化的理解。

Nov, 2023

发展了两种新颖的星系形态统计方法，并简化了现有的图像统计方法，通过随机森林分类器准确检测螺旋和椭圆星系。

Oct, 2023

Galaxy Zoo 2 是一个旨在通过公众参与，将天文图像中的星系形态分类的公民科学项目，本文介绍了其数据发布，并说明其优势在于对大量天文图像进行目测分类的不可替代性。

Aug, 2013

该研究介绍了 Galaxy Zoo: Hubble 项目，使用众包的视觉分类方法，测量并发布了 119849 个星系的形态学数据，提供了到 z ~1 的巨大数据集，适用于研究星系演化。

Oct, 2016

我们对 1300 个野外和星团螺旋星系的全球结构参数进行了研究，发现了在 I - 和 2MASS K 波段上，亮度 L、光学旋转速度 V 和盘径 R 的联合分布。有关 L 和 V 的 VL 关系的 log 斜率分别为 0.29 和 0.27，sigma_ln（VL）〜0.13，并且在颜色和形态类型上略有依赖性，即对于大多数亮度，较红、早期类型的盘状星系旋转速度比较蓝、后期类型的盘状星系快。

Aug, 2007