本文根据天文台合作者需求,对星图中的特殊区域超新星和低表面亮度星系进行定位与分割。从图像处理角度看,这两类问题具有类似性,都是特殊区域的分割,只不过一个目标暗、大,一个亮、小,这也带来了实际工作方法的不同。目前对于超新星的研究更多的是针对超新星的检测,没有关于分割方面的研究,并且检测精度也有待进一步提高。而低表面亮度星系的定位与分割目前还依赖人工,效率低,耗时高。因此,实现自动化、高效率和高精度的超新星和低表面亮度星系定位与分割意义重大。基于此,本文分别研究设计了适用于超新星和低表面亮度星系的自动定位与分割方法。为实现星图中超新星的定位与分割,本文针对超新星的特点提出了基于多尺度融合Faster RCNN的超新星定位与分割方法。该方法首先基于多尺度融合Faster RCNN检测网络判断星图中是否含有超新星以及超新星的粗略位置,将用于检测网络的数据集通过合成和旋转处理增强超新星特征,检测网络基于Faster RCNN架构,采用Res Net50和路径聚合特征金字塔（Path Aggregation Feature Pyramid Network,PAFPN）结合后的网络来提取图像特征,以获取多尺度的特征图,提升网络对小目标特征的提取能力,并在网络中引入在线难例挖掘（Online Hard Example Mining,OHEM）模块,平衡正负样本数量差异,之后对检测框内目标利用CV模型进行分割,最后对分割得到的目标进行中心提取。实验结果表明,该方法可以比较精确的实现超新星的定位与分割,且多尺度融合Faster RCNN的检测性能优于原始网络,检测指标Macro-F1达到96.6%。为了实现星图中低表面亮度星系的定位与分割,本文针对低表面亮度星系的特点提出了基于传统图像处理的定位与分割方法。采用高亮星系区域扩大遮盖的方法降低其对背景拟合结果的影响,并利用改进分段非线性增强提升目标与背景的对比度,之后采用阈值分割方法对增强后的结果进行分割。实验表明,传统的图像处理方法在一定程度上可以实现低表面亮度星系的自动定位与分割。但是易受到高亮星系尾翼的干扰出现误检,并且对小尺度的低表面亮度星系存在漏检现象。因此,为解决星图复杂背景因素下多尺度低表面亮度星系定位与分割问题,本文提出了基于注意力机制（Convolutional Block Attention Module,CBAM）的低表面亮度星系定位与分割方法。首先,基于超新星部分提出的多尺度融合Faster RCNN检测网络,将CBAM添加到RPN网络中,提升网络对低表面亮度星系的关注度,获得更加具有鲁棒性的特征图,之后进行分割并利用检测结果进行筛选,最后提取分割后目标的中心。实验表明,本文提出的方法实现了优异的定位与分割性能,其召回率达到95.6%,并发现低表面亮度星系候选体930个。