如何只根据测光数据来确定点光源的种类是当前天文学界的难题。为了攻克这个难题,同时填补我国在测光星表领域的空白,本文通过引入机器学习算法,基于SDSS（Sloan Digital Sky Survey,斯隆数字巡天）测光图像展开了重建测光星表的算法研究。针对测光星表构建过程中涉及到的两大任务:点光源的检测和点光源的分类,本文基于深度学习算法分别构建点光源检测和点光源分类模型对其进行了实现。本文的主要工作和创新点如下:（1）测光数据预处理方面。首先改良了现有的测光图像合成方法,解决了由测光数据直接合成测光图像时波段之间无法对齐的问题;然后设计了一种基于测光星表点光源位置信息在测光图像上自动框选和切割点光源的算法,并使用该算法成功构建了包含大量切割完整的点光源图像的深度学习数据集;最后,基于生成对抗网络构建了测光背景图像生成网络,实现了测光背景图像的批量无重复生成。（2）点光源检测方面。在YOLO v4目标检测网络的基础上构建了点光源检测模型。检测网络选用了CSPDark Net-53作为骨干网络,SPP和PANet作为特征金字塔,YOLO作为预测头。此外,在目标检测网络的图像增强环节引入了Mosaic方法,与传统的图像增强方法相结合以增强网络检测小目标的能力。最终,在IOU阈值设置为0.5时,模型在验证集上的AP分数为88.02%。在使用测试集进行测试时,应检测到点光源91 658个,实际在同源误差设置为0.87角秒的前提下检测到了92 852个。不排除该模型能够检测到当前SDSS测光星表中未标注的点光源的可能性。（3）点光源分类方面。设计并构建了天文测光点光源分类网络APSCNet,该网络通过训练测光数据的u,g,r,i四波段融合后形成的矩阵实现了点光源的分类。设计了一系列对比试验并成功验证了APSCNet以及其图像预处理方式的合理性。最终,该模型在点光源星等范围为14-25的测试集上,类星体、恒星和星系的分类精确率分别为84.1%、94.5%、95.8%,召回率分别为93.2%、84.6%、95.1%,最终的准确率为91.04%;在星等小于20的测试集上,类星体、恒星、星系的分类精确率分别为96.6%、95.7%、98.9%,召回率分别为94.7%、97.4%、99.2%,最终的准确率为97.8%。此外,本文还就点扩散函数对分类的影响进行了探究。