Сегодня астрономам приходится работать с большими объемами данных, поскольку современные интсрументы способны генерировать терабайты данных за одну ночь. Одним из таких инструментов является автоматизированный обзор неба Zwicky Transient Facility, который за одну ночь среди снятых областей неба детектирует порядка миллиона кандидатов новых астрофизических объектов. Однако, значительная доля найденных объектов оказывается артефактами, то есть явлениями, имеющими не астрофизическую природу. Поэтому специалистам приходится тратить время на классификацию объектов вручную, так как на текущий момент не существует эффективного метода, который делал бы это без участия человека. Целью этой работы являлась реализация эффективного алгоритма, который по последовательности кадров объекта из обзора Zwicky Transient Facility предсказывал бы, является он артефактом или нет. Для реализации алгоритма использована выборка, размеченная специалистами и содержащая 2230 серий кадров объектов. Так как последовательности кадров достаточно велики, использован вариационный автоэнкодер, который позволяет отобразить изображение в вектор меньшей длины. Для решения задачи бинарной классификации по последовательности сжатых в вектора кадров применялась рекуррентная нейронная сеть. Было рассмотрено несколько моделей нейронных сетей, для оценки метрик качества использовалась kfold кросс-валидация. Итоговые метрики качества составляют ROC-AUC=0.856, Accuracy=0.802 и позволяют говорить, что модель имеет практическую ценность. Код с реализацией алгоритма доступен на https://github.com/semtim/RB_ZTF.