太阳光球亮点与磁场有着密切的联系,光球亮点近似旋转的曲线运动意味着磁通量管发生了振荡,继而以波的形式通过磁通量管向色球和日冕传送能量,从而加热日冕。所以,光球亮点的曲线运动对研究太阳内部的能量如何传输到日冕层具有重要意义。本文基于深度学习的方法,提出一种多尺度多模态的策略对光球亮点的曲线轨迹段检测方法展开研究。本文建立了可靠的光球亮点轨迹数据集。数据集由光球亮点的真实轨迹数据集和模拟轨迹数据集两部分组成。为了获取真实轨迹数据,首先对由758张图片组成的太阳光球时间序列图像进行检测,采用基于Mask-RCNN的光球亮点检测方法检测出光球亮点,然后通过多目标跟踪SORT算法对光球亮点进行跟踪,最后根据光球亮点的质心坐标值获得其运动轨迹数据。还有,由于太阳光球亮点的曲线运动在运动轨迹中出现的比例较少,因此本文通过模拟光球亮点轨迹段的方式对运动轨迹数据集进行扩充,以弥补模型在训练时候数据量上的不足。本文对获取的真实轨迹数据和模拟轨迹数据进行曲线轨迹段标注,真实轨迹段有128条,其中包含曲线轨迹段的有100条;模拟轨迹段有1475条,其中包含曲线轨迹段的有1365条。真实轨迹数据集和模拟轨迹数据集均与云南天文台专家反复确认。针对光球亮点的运动特性,本文设计了一种基于双向长短期记忆网络（Bi-LSTM）的多尺度模型用来提取光球亮点的运动轨迹段的多尺度时序特征,此外,考虑到轨迹数据的空间相关性同样有助于提升模型的检测性能,采用Efficient Net-B0提取运动轨迹段的空间特征,然后将时序特征和空间特征融合成多模态特征。最终本文设计了一种多尺度多模态的深度学习网络架构来检测光球亮点的曲线轨迹段。实验表明,本文模型的准确率达到了85.08%。相较于单尺度提升了6.12%,相较于多尺度单模态提升了3.1%。该方法亦可应用于其他领域的运动类型检测需求中。本文提出的创新点在于,首先对采用单一采样尺度的模型进行改进,设计了一种多尺度的采样模型,提取光球亮点做局部或全局曲线运动的不同粒度的时序特征。其次,考虑到空间特征的表达,因此提取空间特征,并将时序特征和空间特征融合成多模态特征来检测曲线轨迹段,从而提升了检测性能。