探索再电离时期对于第一代发光天体的形成、从黑暗时代到光明时代的过渡、重子物质的再电离历史等演化过程都有着重要的意义。迄今为止世界上最大的射电望远镜阵列SKA第一期工程即将完成,投入观测后将为射电天文带来重大变革,其建成后的首要科学目标就是研究宇宙黎明及再电离探测,这也是当今观测宇宙学最热门和最具挑战性的课题。深度学习算法在天文领域有不俗的表现,随着人们逐渐从搭积木式的深度神经网络的设计转向对网络内在运行机制的探索和建模,不同模型在射电天文领域的应用也成为研究热点。本课题受此启发,并以“宇宙第一缕曙光探测”项目为背景对再电离信号分离和宇宙点源的宽场成像进行探索,基于深度学习模型开发新的成像算法。微弱的再电离信号作为探索第一代发光天体的标志信号被淹没在强烈的宇宙大爆炸余晖中,辐射的亮温度仅有约1-10 m K,而前景辐射信号强度高达待测信号的约4-5个数量级,准确地识别并分离前景干扰是成功探测EoR信号的关键。为了解决这个问题,我们基于深度学习方法构建CNN-LSTM融合模型对SKA1-low的模拟数据进行训练和测试以识别并分离EoR信号。实验结果表明,相对于传统的多项式拟合和连续小波变换法,所提出的深度学习模型探测到的再电离信号在信噪比和Pearson相关系数的定量评价指标上具有更好的表现,为再电离研究领域提供了新的探索思路。大型低频干涉阵列在实现超大视场的EoR观测的同时伴随着多种复杂的仪器效应,过去对于观测视场较小的情况下采用的成像方法对于SKA的大视场成像不再适用,阵列基线的非共面性将导致所观测图像出现畸变。有效地校准仪器,发挥出仪器的设计性能,是目前最迫切的任务之一。传统的宽场校正算法消耗计算资源过大,无法应对SKA带来的海量观测数据。本次研究中对不同视场及天顶指向的点源结构进行模拟观测,首次搭建基于自注意力机制的卷积自编码网络,校正非共面基线效应（方向依赖）引起的畸变,并将开发的校正算法应用于在模拟数据中,重建天空模型。随后根据客观评估指标检验网络的精度及计算成本,将本算法与传统宽场校正算法进行对比分析。