星系的形态、结构与恒星形成活动是星系演化研究的重要部分,其中,人类对星系的认知,大多是通过对星系形态的研究得到的。星系的形态不仅与星系的演化历史密切相关,也能够反映出星系的物理性质。因此,需要对星系的不同形态进行准确的分类。然而,随着天文成像技术的发展和数字存储容量的增加,夜空观测数据已经呈现出爆炸式增长的趋势。在研究星系形态分类上,人工目视的分类手段已无法满足当下的科研需求,迫切需要研究和寻找高效的自动处理方法。本文基于上述背景,以星系动物园（Galaxy Zoo）数据为基础,主要研究自动处理星系形态的算法以及算法的改进。本文的主要研究工作内容如下:（1）对星系形态图像数据进行筛选与处理。本文所使用的星系形态数据是星系动物园数据,它是一个在线众包项目,它希望参与者们能够根据所提供的有关于星系的彩色图像来描述星系的形态。本文首先解释了数据的分类标准,根据标准将大量的数据进行筛选,筛选出7类干净且准确的星系形态样本。之后对样本数据进行预处理操作,通过重新裁剪、数据增强、归一化处理等操作提高了模型的泛化能力和鲁棒性。（2）提出将DenseNet算法应用在星系形态分类中。进行图像处理时,重要的手段之一就是使用深度学习中的卷积神经网络,它是一款性能十分优越的分类器。因此,本文将DenseNet算法应用在天文图像分类中。首先,使用DenseNet-121算法训练模型;之后在相同条件下,使用了经典深度卷积神经网络AlexNet、VGGNet及轻量化模型GhostNet对数据进行分类。最后,将得出的实验结果进行对比,验证了DenseNet算法在星系形态图像分类上的可用性及高效性。（3）提出了一种AF-DenseNet算法,改进了DenseNet模型,从而达到了提高模型性能的目标,为未来星系形态学的研究提供了一种可行且高效的算法。在深度学习中,模型的优化算法及损失函数的选择,直接关系到模型的最终性能。本文通过对比使用常用的优化算法及损失函数,验证了改进的模型在星系形态图像分类中的优越性。