低面亮度星系（Low Surface Brightness Galaxies,LSBG）是星系领域一个重要组成部分,然而其较暗的面亮度限制了人们对它的检测和搜寻,导致目前发现的低面亮度星系数量较少,低面亮度星系对宇宙的贡献被严重低估。采用传统方式搜寻低面亮度星系时要进行选源、减天光、计算亮度等步骤,其中有的步骤容易失败,需要人工干预,难以实现自动化的批量搜索。为了从海量天文图像中高效地搜寻低面亮度星系、扩充低面亮度星系样本,本文搭建了一个在斯隆数字化巡天（Sloan Digital Sky Survey,SDSS）图像中自动搜寻低面亮度星系的新模型——LSBG Auto Detect（LSBG-AD）。LSBG-AD是以卷积神经网络为基础、借鉴YOLO思想的深度学习目标检测框架。它首先将SDSS图像划分为一定数量的小格子,然后使用残差网络（Residual Network,ResNet）同时提取所有小格子的特征,再将提取到的特征图使用卷积核大小为1*1的卷积网络拟合出每个小格子中包含目标的概率和目标的坐标位置,最后汇总所有小格子的结果即为LSBG-AD的输出。LSBG-AD的训练样本包含1129个低面亮度星系,本文首先根据这1129个星系的坐标获取到了 1 120张SDSS图像,然后根据天文图像的特点对数据进行了波段对齐、像素压缩和标注等处理,以适应深度学习模型。同时,为了提升LSBG-AD的召回率,本文又针对数据特点提出了多次搜寻的策略,该策略有效提高了 LSBG-AD的召回率。本文利用训练好的LSBG-AD搜寻了 1120张SDSS巡天图像,得到了1197个低面亮度星系,其中1081个样本是训练样本中标记过的,另外116个样本是新发现的候选体。经过验证,96.46%的候选体属于非侧向星系;92.04%的候选体是以盘为主导的星系,这些候选体的特点与训练样本的特点基本一致。由于低面亮度星系的判定一般以B波段中心面亮度μ0（B）的大小为标准,所以本文使用SDSS数据库中的参数对候选体的中心面亮度进行了计算,发现候选体的μ0（B）的平均值为22.6 mag arcsec-2,并且有97.35%的候选体的μ0（B）暗于22.5 mag arcsec-2,符合低面亮度星系的条件,这些结论表明了候选体大多数为低面亮度星系。本文使用YOLOv5和Faster RCNN分别做了对比实验,结果显示LSBG-AD算法在进行低面亮度星系搜寻时拥有更高的召回率和精准率;同时对比了传统天文方法:在93张SDSS图像中传统天文方法搜寻得到了 47个μ0（B）暗于22.5 mag arcsec-2的低面亮度星系,其中有46个被LSBG-AD正确识别,并且LSBG-AD还搜寻到了 32个候选体,显示了 LSBG-AD对于μ0（B）暗于22.5 mag arcsec-2的低面亮度星系具有很强的搜寻能力。