大视场巡天望远镜可获取大规模高质量、高灵敏度与高时频的星像观测数据,是现代天文望远镜的重要发展方向之一。基于对望远镜像质控制、镜筒设计等综合因素的考虑,现代大视场巡天望远镜一般均采用快焦比主镜设计,导致副镜针对失调具有很高的灵敏度,因此副镜装调方法需要先通过多个边缘视场波前传感器进行波前检测,然后对副镜失调量进行实时解算并校正副镜。为了降低装调系统的硬件复杂度、提高装调的效率,本文提出了一种新型无波前传感器的实时高精度装调方法,其通过深度学习技术将焦面星像形变与失调量建立起映射关系,进而由神经网络模型直接计算出望远镜的失调量参数。研究工作具体如下:1.建立了一种基于ZEMAX与MATLAB的动态链接库模拟方法,通过仿真获取望远镜各失调状态下的焦面点扩散函数,继而对其进行几何特征提取及拟合处理得到泽尼克系数,并以此与失调量建立用于深度学习装调的数据集。2.搭建了一种基于Mephisto的深度学习装调模型,通过分析神经网络深度与模型精度及失调自由度之间的关系,确定网络的结构并进行超参数优化。结果表明在无噪声的情况下,该模型能精确计算望远镜各失调量,得到像质良好的点扩散函数图像,但存在由失调自由度非线性关系引起的计算退化问题。3.针对望远镜不同失调自由度之间存在的非线性病态问题,本文提出了基于分步式神经网络模型的失调解算方法,通过两步式神经网络的结构调整与超参数优化,实现了大范围失调情况下的失调量高精度解算。4.为了降低大气湍流对Mephisto深度学习装调模型的影响,通过鲁棒缩放方法对数据集进行预处理,用于抵御数据集中异常值的影响。结果表明本文提出的方法在受大气湍流的影响下依然具有鲁棒性,对失调量能进行精确计算并获得良好的像质,1000组测试数据集中有99%以上满足RMS光斑半径低于18um。