Количество изображений галактик в современных обзорах неба быстро растет и, в настоящее время, измеряется сотнями миллионов объектов. Физические модели формирования и эволюции галактик, закладываемые в крупномасштабные космологические симуляции Вселенной (e.g. Illustris-TNG), нуждаются в уточнении путем сравнения результатов симуляций и наблюдательных данных, и одной из наиболее чувствительных метрик сравнения является морфология галактик. Разметка морфологии по изображениям галактик, до последнего времени, выполнялась группами волонтеров в рамках краудсорсинговых проектов (e.g. Galaxy Zoo), что требовало значительного времени (более года требовалось для разметки небольших выборок в несколько десятков тысяч объектов). В нашей работе исследуется применение глубоких нейросетевых архитектур для автоматической морфологической классификации галактик в больших объемах астрономических данных. Целью работы являлся поиск наилучшей модели сверточной нейронной сети, которая позволяет выполнять автоматическую морфологическую классификацию для миллионов изображений галактик в пределах нескольких часов, по точности классификации не уступающей результату волонтеров-людей. Нами были протестированы наиболее популярные архитектуры предобученных сверточных сетей из зоопарка моделей Keras. По результатам сравнения, архитектура NASNet показала наилучшую точность. Данная модель может успешно применяться для автоматической разметки морфологии больших выборок изображений галактик из будущих обзоров неба (e.g. LSST) и космологических симуляций.