深度学习在天文学领域引发了多样化的观点，支持者与怀疑者之间的持续讨论推动了本综述的撰写。我们考察了神经网络如何补充经典统计学，扩展了现代巡天观测的数据分析工具集。天文学通过将物理对称性、守恒定律和微分方程直接编码到架构中提供了独特机遇，创建了能够泛化到训练数据之外的模型。然而挑战依然存在，未标记的观测数据达数十亿之多，而已知属性的确认样本仍然稀缺且昂贵。本综述展示了深度学习如何通过架构设计融入领域知识，内置的假设引导模型趋向物理意义明确的解。我们评估了这些方法在哪些方面提供了真正的进步，以及哪些主张需要仔细审视。- 神经架构通过将物理对称性和守恒定律编码到网络结构中，克服了可扩展性、表达能力和数据效率之间的权衡，使得从有限标记数据中学习成为可能。- 基于模拟的推断和异常检测从复杂、非高斯分布中提取信息，在这些情况下解析似然函数失效，实现了场级宇宙学分析和罕见现象的系统性发现。- 多尺度神经建模弥合了天文模拟中的分辨率差距，从昂贵的高保真度运行中学习有效的亚网格物理，以增强大体积计算，而直接计算仍然不可行。- 新兴范式——用于望远镜操作的强化学习、从少量样本中学习的基础模型，以及用于研究自动化的大语言模型智能体——尽管在天文应用中仍处于发展阶段，但展现出良好前景。