天文研究对望远镜拍摄到的天文图像要求日益增高,然而在天文图像的拍摄过程中,受到望远镜自带噪声和外界环境等因素的干扰,天文图像的质量大多不尽人意,因此必须提高天文图像的质量,有效的天文图像处理方法能够加快天文研究的进展。传统的图像处理方法虽然在一定程度上解决了此问题,但其方法简单,且速度慢,效率不高,并且模型简单,复原效果在PSRN和SSIM的表现上不够好。传统方法不足以应对目前科学研究的发展,因此,本文采用深度学习的方法来对天文图像进行处理。本文首先介绍了天文图像噪声产生的原因以及特性,并在此基础上阐述了不同退化模型对天文图像的影响。其次对传统图像算法与基于深度学习的复原算法进行了分析,指出了各个方法的优势与缺点。其次,本文针对天文望远镜在拍摄过程中耗时长和受到噪声等问题的干扰,在此基础上构建了图像生成的数学模型。提出使用U-Net来进行地曝光天文图像的复原,并在U-Net基础之上添加注意力机制对网络进行改进,低曝光图像作为网络的输入,采用多种损失函数与激活函数来优化网络。实验结果表明,最终的网络能够很好的对天文图像进行复原,在PSNR指标提高了近5%,SSIM指标上提高了0.5左右。最后,针对天文图像存在不同种离焦退化的问题,考虑了退化模式的种类和分布,采用基于深度学习的盲复原的方式,构建了四种用于图像复原复原的点扩散函数。并提出ResNet与U-Net构建深度学习模型Res UNet。实验证明,本文所提出的点扩散函数能够有效的复原大部分天文离焦图像,与传统复原算法和部分经典深度学习复原算法相比,基于ResUNet的天文图像复原网络有着更优越的性能。