海洋中尺度涡对能量物质运输、水声传播具有重大影响,同时还会影响其附近区域的生态系统、气候等。快速准确识别中尺度涡位置并对其进行跟踪与轨迹预测在物理海洋学、海洋生物学、海洋声学等领域有着重要的研究价值。然而,由于涡旋本身没有准确的定义,导致缺少兼顾准确性和快捷性的提取方法。海洋中尺度涡最准确的提取方法依靠对海洋遥感图像“专家目视判读”,这种方法劳动强度大,而且无法满足快速、自动检测的需求;而应用较为广泛的传统检测方法过分依赖阈值,具有较大的主观性,会漏掉一些偏离对称结构的涡旋;现有的机器学习方法还不够成熟,方法功能性单一,训练集不够权威。针对上述问题,本文利用深度学习技术进行海洋中尺度涡自动提取与跟踪研究,主要工作如下:1、提出了一种基于数据增强和目标检测网络的海洋中尺度涡自动检测和定位方法。该方法基于AVISO提供的海面遥感数据,利用海洋专家辅助与图像处理技术进行数据增强生成训练集,然后构建以深度残差网络与特征金字塔网络为主体的海洋中尺度涡自动检测模型—OEDNet,最后通过闭合等值线法进行涡心定位和涡区提取。实验结果表明,相比已有方法,该方法能获得更好的涡检测效果,并且模型具有良好的泛化能力。2、提出了一种基于长短期记忆网络的海洋中尺度涡自动跟踪方法。该方法以已有涡旋轨迹数据集为基础,绘制海表变量可视化图像。使用卷积神经网络对海表数据场进行特征提取,并以长短期记忆网络为主体构建中尺度涡运动角度预测模型—OETNet。在角度辅助与涡检测结果的基础上,实现中尺度涡自动跟踪。实验结果表明,相比已有方法,该方法得到的海洋中尺度涡轨迹跟踪结果更加准确。3、在上述工作基础上,设计实现了一个基于OEDNet和OETNet的海洋中尺度涡自动提取与跟踪软件。该软件由数据预处理与数据增强模块、涡旋检测模块与涡旋跟踪模块组成,并通过多组数据验证了软件的有效性。