对变源和暂现源的观测是时域天文研究领域的重要组成部分,在光学波段,巡天观测和后随观测是该领域的主要研究手段之一。通过对指定天区开展系统性的观测,并对感兴趣的源进行针对性的跟踪观测,可以得到大量有价值的观测数据。现代天文观测普遍使用先进大视场望远镜开展长期不间断的观测,产生了大量的观测数据,传统的人工分辨和阈值截断方法已经不能满足天文数据的处理要求,引入机器学习模型对数据处理结果进行分类和预测显得很有必要。本文以AST3-2巡天望远镜2016年数据为样本,讨论了探测AST3-2巡天天区的变源和暂现源的方法。AST3-2光学巡天望远镜位于南极大陆穹顶A,该处的气候特征对开展长时间不间断的时域天文巡天观测非常有利。南极通信不便,数据回传有诸多困难,我们希望能够在南极本地自动处理AST3-2观测数据,进行变源和暂现源处理,但是受到低功耗计算机的限制,数据的快速自动处理的实现存在诸多困难。为此我们结合已有的图像相减方案,将AST3-2 2016年观测数据作为测试样本,发展了一套基于随机森林的暂现源及变源的筛选方法。我们使用图像相减法找出可能的存在光度变化的源,再用主成分分析法抽取候选源的特征,并选择随机森林作为机器学习分类器,在测试中对正样本的召回率达到了97%。本文的工作验证了这种方法的可行性,并最终在2016年观测数据中探测出一批变星候选体。本文第一章介绍了国内外大规模时域巡天的设备、流程、及数据处理方法的发展状况,第二章简要描述了各类变星的特征,这些是本文工作的研究背景。第三章描述了CCD的特性及基本的测光方法,第四章介绍了本文工作所使用的算法的原理和特点,第五章介绍了我们的工作所基于的软件,这些构成了我们所讨论的暂现源和变源的搜寻方法的基础,第六章详细介绍了这种结合图像相减法和随机森林的方法及研究结果,并对这种方法未来的发展做出展望。