以LSST为代表的的大规模时域巡天项目将发现大量的来自宇宙深处的暂现源事件,图像相减是探测到这些暂现源的主要手段。由于地面的光学望远镜的观测图像的点扩展函数（PSF）由光学系统的畸变以及大气视宁度所决定,因而在实际观测中PSF会在随时间不断变化,且在整个图像中不同位置呈现出差异。图像相减算法的出现就是为了匹配不同观测图像的PSF及其流量零点,这使得视场中所有光度变化的信息都可以在残差图像中进行有效地测量。未来时域巡天理想的暂现源探测方法需要高精度且可完全并行化的快速图像相减算法,然而当前主流的算法还不能很好地满足这一需求。未来时域巡天的另一个重大挑战是当前极其有限的光谱资源。对于未来海量的暂现源候选体,逐一触发光谱后随观测是不现实的。幸运的是,过去几十年中积累的档案光谱数据集对于一部分样本来说已经初具代表性,这使得为常见的暂现源（如Ia型超新星）开发数据驱动的模型成为可能。这一类方法将有望通过帮助优化暂现源光谱后随观测的策略从而节约望远镜时间并缓解光谱资源的相对紧缺。本文主要内容包括以下几个部分:在第1章中,我们从观测的视角出发简要介绍了 Ia型超新星,以及时域巡天中与暂现源探测相关的数据处理流程,并回顾了当前主流图像相减方法的原理和优劣。在第2章中,我们提出了一种基于长短期记忆（LSTM）神经网络的数据驱动方法,实现通过任意时间采样的Ia型超新星光谱观测来预测指定相位的光谱。LSTM模型使我们能够从非常有限的光谱观测数据中重构出其完整的光谱演化。我们测试发现,即便只使用极大附近的单条光谱数据,LSTM模型也能够对Ia型超新星光谱进行准确的预测。尽管现有光谱数据集由正常的Ia型超新星主导,对于观测样本相对较少的Ia子类（Ia-91T,Ia-91bg,Ia-99aa和Iax）神经网络依然可以捕捉到其特别的谱线吸收特征。在第3章中,我们介绍了在傅里叶空间中实现的图像相减算法SFFT。与其他主流的方法不同的是,我们开发的SFFT算法可以利用图像中所有具有统计意义的有效像素进行PSF同质化,而完全不依赖于图像中孤立的点源。该算法已在各类实际观测的数据中进行了广泛的测试。我们为此开发的基于GPU运算的软件包也已成功应用于多个暂现源巡天中,包括清华大学Tsinghua university-Ma huateng Telescopes for Survey（TMTS）暂现源巡天,南极 Antarctic Survey Telescopes（AST3）暂现源巡天,以及基于Dark Engery Camera（DECam）的超新星巡天项目DECamERON。在第4章中,我们介绍了位于南极穹顶A的AST3-Ⅱ望远镜对GW 170817的观测。我们使用AST3-Ⅱ对邻近星系NGC 4993中引力波光学对应体AT2017gfo进行观测。我们采用了 SFFT算法对AST3-Ⅱ采集的数据进行了图像相减,在引力波信号触发后的1天左右,AT2017gfo显示出快速减弱的光度变化,这与双中子星并合的模型预测相一致。我们从AST3-Ⅱ的数据中推断,双中子星并合过程以30%光速的速度抛射出了大约10-2太阳质量的放射性物质。在第5章中,我们进行了简要总结并讨论了 SFFT算法和LSTM模型的潜在应用。