随着对宇宙观测与探索的深入,人类基于对宇宙的未知开始筹建下一代超级射电望远镜SKA用以解决一个个宏伟的科学目标。目前在建的SKA1-low即将开始巡天并进入第一科学目标——宇宙黎明和再电离探测的研究。但是低频SKA成像时所带来的带宽涂污效应使得再电离时期各观测信号扭曲,致使后续无法完成更加精确的信号分离等工作,而传统天文的宽带干涉仪成像算法面对海量数据又无法完成精准批量的效应矫正。近年来深度学习在图像处理领域的迅猛发展为低频SKA成像的带宽涂污效应矫正提供了新的思路。本文从实际科研项目出发,对低频SKA成像的带宽涂污效应矫正方法进行了探索。通过对带宽涂污效应的理论分析,在OSAKR模拟观测成像中引入带宽涂污效应并得到带宽涂污效应观测模拟图像。通过对图像的观察发现带宽涂污现象随离视场中心的距离增大而增强,这极大的限制了视场观测范围,也影响了后续再电离信号与前景干扰的分离。本文对带宽涂污图像进行不同信道数的多频合成成像矫正实验后,认为传统宽带成像算法无法在快速矫正与高质量成像之间取得平衡,不能满足低频SKA巡天成像的高效矫正要求,故提出了深度学习方法应用于带宽涂污效应矫正的必要性。针对传统天文成像算法的缺点,本文构建了三种基于深度学习网络的低频SKA带宽涂污效应矫正模型,并进行了对比分析。首先搭建了CNN模型,并构建了基于河外点源、射电晕的数据集以及完善的评价体系。通过训练、测试结果发现,CNN网络在河外点源的矫正测试中矫正速度、成像效果及评价指标上均可达到较高水平,改善了传统成像中无法实现高效矫正的缺憾,实现了深度学习方法应用在带宽涂污效应矫正的创新性。但CNN网络对于河外点源部分矫正结果的评价指标不够理想,并且射电晕中部分矫正结果也产生了微弱伪影。基于上述问题,本文又提出了基于SE以及CBAM两种注意力机制改进的卷积神经网络分别为SE＿CNN、CBAM＿CNN,并应用于河外点源与射电晕信号矫正,实现了算法上的创新改进。为保证数据处理的同一性,本文均使用相同数据集对改进后的网络进行了训练及测试。实验证明SE＿CNN在没有明显增加训练计算资源情况下,在河外点源矫正上进一步提高了评价指标。CBAM＿CNN则较好的改善了射电晕微弱伪影问题并提高了两种信号源矫正结果的评价指标。总体实验结果表明,SE＿CNN和CBAM＿CNN在射电晕及河外点源的矫正测试中各有优劣,其中CBAM＿CNN表现更为稳定。在特定信号矫正中,至少有一种网络在矫正效率及成像评价指标上均优于传统天文成像算法。本文通过多轮实验证明基于深度学习的低频SKA带宽涂污效应矫正方法具有创新性及可行性。