大视场小口径望远镜是一种用于观测天文及空间目标的光学仪器。由于这种设备视场大且造价低,适于广泛布置于不同台址对天空连续监测,因此在时域天文观测中被广泛使用。时域天文关注移动或具有光度变化的天体,因此大视场小口径望远镜多以短曝光的快速巡天模式获取数据。获取数据后,需要立即从观测数据中提取天文目标来为超新星、引力波电磁对应体等关键天体研究提供数据。现阶段,天文目标提取常用SExtractor等源提取算法。但是,这类算法需要调节参数以保证天文目标提取准确度。同时,这类算法存在对暗源漏检、对亮源周围目标漏检且仅能提取目标不能分类目标等问题。针对上述问题,本文研究了基于深度学习的天文目标实时提取方法,该方法通过数据驱动训练学习实现端到端的目标提取。同时,考虑到大视场小口径望远镜往往以望远镜阵列的形式布置于天文台站。而不同的大视场小口径望远镜即使在设计参数相同的情况下,指向同一个天区进行数据采集,捕获到的目标形态多样且其图像灰度级分布上也会有所差别。此时,采用前述基于深度学习的天文目标提取方法可能存在提取结果时好时坏即不稳定的问题。而从另一个角度考虑,综合这些望远镜的目标提取结果,将有可能获得强于单个望远镜的目标提取结果。因此,在单个望远镜的天文目标实时提取方法基础上,本文进一步针对天文望远镜阵列研究了天文目标提取算法。本文研究的算法将有益于提升望远镜阵列观测能力和目标信息处理效率,是大视场小口径望远镜的数据处理关键技术。本文以大视场小口径望远镜阵列作为目标仪器,建立了基于深度神经网络的端到端目标提取算法,经测试表明这种算法相比传统方法有更好的性能优势。在此基础上,提出将目标提取算法部署于嵌入式设备,进而与大视场小口径望远镜形成观测单元。研究实现的观测单元可实时获取并广播目标提取结果。在观测单元基础上,设计出一套基于集成学习算法的目标提取结果汇集算法,可用于多个大视场小口径望远镜组成的望远镜阵列数据处理方法。经验证,多望远镜阵列的天文目标协同提取方法可以提升对大视场小口径望远镜对暗弱目标的观测能力。本研究成果可以为国内外正在开展的各类望远镜阵列提供新的数据处理思路和方法,为大视场小口径望远镜阵列的广泛使用提供条件。