太阳黑子群是太阳活动的基本迹象。根据相关研究表明,不同形态的黑子群与太阳活动有着紧密的联系,因此科学地检测太阳黑子群并对其进行准确的描述可以为监视和预测太阳活动提供重要的依据。目前,图像描述技术已有大量研究工作,但关于太阳黑子群描述方面的研究仍未涉及。若能以文字的方式对黑子群图像进行描述,可以让天文学者直观快速地了解太阳黑子群的现状和变化,可以提高黑子群对太阳周期、空间气候及地球气候系统影响的理解。因此对全日面图像中的黑子群进行描述是非常有意义的。针对太阳黑子群描述零研究的现状,以及现有图像描述方法缺乏足够的上下文关系的问题,本文基于FCLN（全卷积定位网络,Fully Convolutional Localization Network）模型,建立了一个端到端的太阳黑子群图像描述模型IRLN（Inception区域候选定位网络,Inception-RPN Localization Network）。具体研究内容如下:（1）制作太阳黑子群数据集针对暂无太阳黑子群数据集这一问题,本文制作了一个太阳黑子群数据集。该数据集包括太阳黑子群图像数据集和描述文本数据集两部分。其中,太阳黑子群图像数据集的数据来源于SDO卫星上HMI观测设备提供的连续光谱全日面图像,本文对图像进行了预处理,根据Zurich（苏黎世）分类法对黑子群分类标注。太阳黑子群描述文本数据集则是对已分类标注的黑子群添加描述标注,即将每个黑子群作为对象添加特征描述。经过多次与国家天文台和云南天文台相关专家商议讨论,进一步对太阳黑子群数据集进行修改完善。（2）IRLN太阳黑子群描述研究针对太阳黑子群图像描述任务的特点,本文基于FCLN模型,对其中的RPN网络（区域候选网络,Region Proposal Network）进行了改进,设计了IRLN太阳黑子群描述模型。首次将Inception区域候选网络（Inception-RPN）应用到图像描述中,通过使用Inception-RPN获得候选区域,并根据黑子群大小差异较大这一特征,改进了Inception模块的结构,在最后一层特征图上使用该Inception模块滑动窗来生成候选区域,应用在黑子群描述上。实验结果表明,在VG数据集上IRLN模型m AP为6.09%,比FCLN模型提高了0.7%,Meteor为31.9%,比FCLN模型提高了4.6%;在太阳黑子群数据集上IRLN模型m AP为74.47%,比FCLN模型提高了16.25%,Meteor为47.6%,比FCLN模型提高了14.2%。综上,本文基于FCLN设计的IRLN模型打破了太阳黑子群描述零研究的现状;改进后的Inception-RPN网络使用不同大小的滑窗在每个位置滑动,这一过程受中心对齐约束,可以有效地保留本地信息和上下文信息,有效地改善了现有图像描述方法缺乏足够上下文关系的不足。因此,IRLN太阳黑子群图像描述模型可以较好地描述黑子群,增强对多尺度太阳黑子群的识别性能,从而进一步提高黑子群的描述准确率。