天文学是一门历史悠久的观测学科。随着科学技术的发展、观测设备的不断提升,人类对宇宙的认识不断完善。随着大视场巡天时代的到来,人类获得了海量的星系观测样本,这些样本为数据驱动的研究方法提高了数据基础、为科研工作者在星系的特征和性质研究领域提供数据支撑,机器学习、深度学习等方法也被广泛地应用到星系领域的研究中。本文旨在研究大视场巡天中星系的特征提取与自动化查找,具体包含如下三个部分:基于深度学习的引力透镜系统特征提取和自动化查找:引力透镜系统是研究星系分布和暗物质分布的重要参考指标,因此研究引力透镜系统对星系特征的挖掘和探索有着重要意义。本文将深度学习中的有监督学习方法应用到了引力透镜系统的特征提取和自动化查找研究中,该方法有效规避了人眼识别方法中人力的耗费,以及传统建模方法中复杂的特征工程。实验发现该方法在分类效果上优于传统的机器学习方法,在训练样本为10万时AUC达到了0.87。基于小样本学习的星系形态特征提取和自动化分类研究:尽管深度学习方法可以很好地帮助我们完成分类任务,但是传统的有监督深度学习对数据集的大小和真实性有着强烈的依赖（又称为模型依赖问题）。为规避模型依赖问题,本课题尝试使用小样本学习方法对星系图像进行分类,用较少的、真实的训练样本来实现星系的特征提取和自动化分类。该部分提出了SC-Net（Siamese Convolutional Network）模型,实验发现该模型在数据集为10000时,就可以达到传统有监督学习方法在数据集为28793时的准确率,且在数据集大小相同的情况下,SC-Net模型效果均优于传统的有监督方法。基于小样本学习SC-Net模型的优化与改进:在上个工作内容中,我们验证了小样本方法在星系形态特征提取和自动化查找中的可行性,并提出了SC-Net模型。该部分对SC-Net模型从相似性度量方法、网络结构层次两个维度进行优化和改进。通过实验验证,改进后的SC-Net模型在训练参数减少58%的情况下,模型准确率提升了2%。