星系测光红移的估测一直是天文学中的研究难点和热点,具有重要的意义。由于目前各类先进巡天观测系统的发展产生了大量的测光数据,这就为使用深度学习方法处理天文数据问题奠定了数据基础。本文主要选择了SDSS和TWOMASS两个巡天观测计划得到的星系测光数据库作为数据来源,然后根据各自相应的测光数据特点对星系样本进行了分类预处理,并分别使用基于粒子群优化的误差反向传播神经网络（PSO-BPNN）、卷积神经网络（CNN）、基于果蝇优化的广义回归神经网络（FOAGRNN）三种不同的方法进行星系测光红移估测实验和结果对比分析。本文主要完成的工作和创新点如下:（1）数据预处理及分类操作。首先根据SDSS和TWOMASS两种观测系统中测光数据的特点对其进行同源交叉匹配,并对数据进行尘埃消光和截断法阈值预处理。然后使用自组织神经网络对单一SDSS观测系统中星系的颜色进行分类处理,选出占比例较大的早型星系进行后续的测光红移估测,以充分减少样本的复杂性;此外基于DNN分类器将同源交叉匹配后的测光红移数据分类成低红移星系和高红移星系,以便于更精确地分析高红移星系的测光红移。（2）提出PSO-BPNN算法来改进SDSS单一测光系统中高红移样本的估测结果。首先使用BPNN对来源于SDSS-DR13的星系样本进行测光红移估测,并对估测结果进行分析。然后使用PSO优化BPNN,将优化后的PSO-BPNN应用于测光红移的估测中。最后将两种算法的估测结果进行误差对比分析和可视化展示。实验结果表明,PSO-BPNN对早型星系的估测精度更高,且优于遗传算法优化BPNN的估测结果。（3）基于改进的CNN算法对SDSS和TWOMASS的同源交叉数据进行红移估测。通过改进激活函数并基于Tensorflow深度学习框架设计了七层的CNN模型,然后将该模型分别应用于低红移星系和高红移星系的测光红移估测中,成功地将经常用以图像识别领域的CNN算法用以测光红移估测研究中。实验结果表明CNN算法很好的实现了测光红移的回归估测,且估测精度和红移的有效覆盖范围更高。（4）提出FOA-GRNN算法来实现高红移样本的红移估测研究。利用FOA算法寻优确定了GRNN中的关键参数spread,并根据GRNN的非线性回归分析思想,实现了基于FOA-GRNN的测光高红移估测。通过将该结果与目前天文学研究中已实现的估测结果进行了比较及分析,结果表明基于FOA-GRNN算法的估测效果最佳。将FOA-GRNN用于测光红移估测问题是一种新的尝试,这为星系测光红移的估测算法研究提供了新思路。