太阳是与人类关系最为密切的天体,各种各样的太阳活动能够导致空间天气发生变化,进而对地球的磁场、电离层、气候以及航天活动等产生较大影响。因此,太阳活动的检测对于研究太阳活动的规律和特性,空间天气监测以及国防建设和国民经济发展等都具有十分重要的意义和实用价值。随着太阳观测数据量的急剧增加,我们越来越迫切地需要研究自动的算法来处理大规模的数据。虽然目前已经取得了很大的进展,许多计算机视觉、图像处理和机器学习技术不断地被应用于太阳活动的识别中,但现存的方法基本都是基于分割的方法。本文中,我们研究太阳极紫外图像中活动区和冕洞的自动识别与定位问题,并且将其视为计算机视觉领域中的目标检测任务,考虑用新兴的深度学习技术来实现我们的目标。本文的工作和创新点主要体现在以下几个方面:1.从一个全新的角度来解决太阳活动的识别和定位问题,将其视为目标检测任务,即在图像中找出感兴趣目标类的所有目标并预测它们的空间位置。2.收集了2012年1月1日至2012年6月30日总共6个月的太阳观测数据,来自于太阳动力学天文台的大气成像仪组件,包括同一时刻所有7个极紫外波段的太阳图像,并人工标注了图像中所有的活动区和冕洞,构建了一个可用于训练和测试算法的数据集。3.将深度学习技术引入太阳物理领域,把目前在目标检测中占主导地位的基于区域的卷积神经网络方法应用于太阳活动区和冕洞的检测,并且研究了各个极紫外波段对检测不同太阳活动的作用。实验验证了深度学习在太阳活动检测中的有效性,并且表明了不同波段的图像对识别不同的太阳活动具有不同的作用。4.考虑到不同波段的图像包含了太阳大气中不同成分的信息,提出了一种多通道的模型来集成各个波段的互补和协调信息,实验结果表明了模型的有效性,可以实现更可靠的检测。