类星体（Quasi-Stellar Objects,QSO）是一种极其明亮的活动星系核（Active Galactic Nucleus,AGN）。类星体是迄今为止发现的距离地球最遥远、最明亮的天体,因其在图像上呈现像恒星一样的光点形态,而又不是恒星,所以获得了“类星体”的名称。类星体具有高光度、大红移等特征,被称为“宇宙探针”,对于理解宇宙的演化具有重要意义。因此,类星体的样本搜寻是一项重要的工作。在斯隆数字化巡天（Sloan Digital Sky Survey,SDSS）等大型巡天项目中,通常利用测光颜色来筛选类星体候选体。这种传统方法需要先从天文图像中提取光学参数,再根据测光经验公式进行筛选。中国空间站工程巡天望远镜（China Space Station Telescope,CSST）等新一代的巡天项目将会产生海量的观测数据,为了从观测图像中高效地搜寻类星体候选体,需要研究高效的类星体搜寻方法。本研究利用基于深度学习的目标检测技术从天文测光图像中直接分类和检测类星体。研究内容包括:（1）建立了目标检测所需的类星体训练样本。从SDSS下载光谱分类为类星体所在的field图像,进行多个波段的图像合成,标注类星体目标框,最终经人工筛选得到包含2028个类星体的2000幅合成图像。（2）建立从SDSS测光图像中识别类星体的目标检测模型QSONet。由于类星体在SDSS图像中的尺寸小,现有目标检测框架的特征提取网络通常会损失类星体的像素信息。针对这一问题,本文设计并搭建了适应类星体小目标特点的网络,作为QSONet的特征提取模块。在训练和预测过程中,QSONet模型采用二次滑动窗口的策略。通过滑动窗口分割图像,只把有类星体的滑块送到网络中训练,既避免了缩小图像的尺寸,又提高了网络的运行效率。（3）本文使用包含1827个类星体的图像进行训练,在包含201个类星体的200幅图像中,QSONet可成功召回95.5%的类星体。在平衡考虑召回率和检测纯度的情况下,QSONet模型能够达到90.5%的召回率和89.6%的纯度。该模型在单PC机上的检测速度达到4FPS（Frame Per Sec）,中心点平均误差为0.62 arcsec。搭建的QSONet和YOLOv3、Faster RCNN和EfficientDet-D4模型进行了性能对比。实验结果表明本文搭建的QSONet性能表现最优。本研究建立的QSONet模型能够从SDSS图像中直接搜索类星体。与传统的搜寻算法相比,QSONet模型不依赖于测光参数,直接根据测光图像中类星体的特征识别类星体。后续将利用本模型对SDSS DR17的图像进行大规模地搜寻,以扩充类星体的研究样本。