通过天文望远镜观测遥远天体,是人类认识和研究浩瀚宇宙的主要途径。通过对观测得到的天文图像开展科学数据领域的信息分析或目标探测等高级语义工作,对天文学的理论发展和技术提升具有重要意义。比如高分辨率的天文图像可以在高精度天体测量中发挥作用,通过分析图像,可以用于估计目标天体的大小、质量、运行轨道以及天体间距离等等。但是,受大气湍流等因素的影响,在地基天文望远镜观测得到的天文数据中,退化图像严重影响了后续研究。对于这些数据,如果不加利用地丢弃,将会造成非常严重的数据浪费。从这些高度模糊的图像中进行图像质量改善以获取有效的信息,将有利于数据在天文观测和研究中发挥更大的价值和作用。基于此,本文主要围绕星系图像增强开展如下工作。我们将现有的基于深度学习的图像质量提升方案区分为基于退化过程的图像复原和基于图像特征的图像增强,并分析了不同方案各自具有的优劣,我们提出改善图像质量应当同具体的任务场景相适应。在本文星系图像增强的相关研究中,需要大量的清晰图像和模糊图像作为训练集。为降低数据准备阶段的时间成本,我们调研了一些计算机科学领域内的并行计算方法,进而围绕MPI的多进程通信技术提出分布式数据准备方案。我们对现有的基于深度学习的图像增强方案进行了理论分析、网络选型和优化改进,并设置实验进行评估比较。我们提出的DIROL方案一定程度上缓解了生成对抗训练过程中的不稳定现象。而在VQGAN的图像增强中,我们初步探索了在基于字典学习特征的图像增强中Transformer发挥的作用,将注意力机制引入到图像增强在未来可能会有更大的突破。最后,我们提出星系图像标注作为天文图像质量改善的下游任务,可以为星系图像识别分类的相关研究提供数据支持。在这一任务中,图像质量改善结果的不稳定性是可接受的,主题信息的增强,可观测质量的提升将有助于提高用户标注的视觉体验,带来星系标注准确率的提升。这样,我们为图像质量改善提供了适应的应用场景。