射电天文已经成为天文学的重要分支,对人类认识宇宙产生了深远影响。在天文观测技术领域,干涉测量通过联合多个小口径望远镜/天线来获得对天体的高分辨率观测,极大地促进射电天文学的发展。它通过干涉测量技术及综合成图技术来实现对宇宙再电离信号的探测。正在建造的平方公里阵列射电望远镜（Square Kilometre Array,SKA）是全球最大射电望远镜阵列。SKA是目前唯一能够对宇宙再电离（Eo R）信号进行直接成像观测的设备,它的建成将为人类认识宇宙提供重大机遇,有望在宇宙再电离信号探测上作出重要贡献。SKA利用综合孔径原理进行成像观测,因此有限的天线数量会导致宇宙再电离信号的部分空间频率缺失,形成一个点扩展函数（point spread function,PSF）。尽管SKA的天线分布密集,但是对于Eo R观测来说,其点扩展函数的旁瓣仍然是不可忽略的。对于点扩展函数效应的消除,许多学者做了大量研究。但是在针对低频SKA设备上的点扩展函数效应消除问题上,仍然没有相关的系统研究工作。本论文工作利用深度学习技术来实现SKA点扩展函数效应的消除。深度学习具有在海量数据中进行自主特征学习的能力,能够对图像原始数据进行智能化的处理。Eo R观测数据中包含大量的前景信号,这些前景信号与点扩展函数共同造成了数据处理难点。在前景信号中强的河外点源会产生显著的旁瓣效应,精确消除河外点源是Eo R信号处理的关键。因此,本论文工作主要针对河外点源的SKA点扩展函数消除问题。通过SKA科学数据处理参考库RASCIL软件进行了SKA观测模拟与成像,并制作了训练、验证和测试数据集。经过实验验证与结果分析,本论文设计的深度学习算法能够获得比传统算法更好的性能,更好地消除SKA点扩展函数。该方法将为SKA科学数据处理及反卷积算法的发展提供方法学参考。