日冕物质抛射(Coronal Mass Ejection,CME)是一种规模巨大,程度剧烈的爆发现象。由于这种爆发现象会对地球环境造成严重干扰,因此CME的探测对预报灾害性空间天气具有重要意义。虽然前人研究出了不少CME检测的方法,但是这些方法大多是通过人为选择特征,如灰度、纹理等,并利用简单的阈值分割技术进行检测,所以对弱CME的检测效果不佳,并且得到的CME结果目录与协调数据分析研讨会(Coordinated Data Analysis Workshop,CDAW)中心目录相比有很大的差距。因此论文根据CME的发生状态,将较为成熟的运动目标检测方法应用到CME检测上。与一般自然图像不同,日冕图像作为一种特殊的太阳观测图像,CME现象复杂多变、前景与背景相似之处很多,存在动态冕流的背景影响,传统的运动目标检测方法在检测效果和检测速度上需要改进。基于深度学习的前景分割方法在视频图像序列检测上取得了较好的效果,其中Fg Seg Net＿V2网络在公开的相关数据集中具有检测速度快,检测效果好等优点。而目前并没有CME的相关图像数据集,该方法通常利用手工标记CME图像,需要大量的人力与时间制作图像数据集。同时由于CME定义的不准确性,在标记过程中,对一些弱的、小的CME标记时可能会有人为误差和歧义,因此论文提出了人工标记的改进方法,通过提取CDAW目录和太阳能爆发事件检测系统(Solar Eruptive Event Detection System,SEEDS)目录中的一系列特征参数,包括发生日期、发生时刻、中心角度、角宽度和高度,并将其按照时间顺序制作成数据文件。在完整的CME图像序列中手动选择出数据文件中对应发生时刻的CME图像,结合该数据文件通过程序开发自动标注上述选择的CME图像,得到CME的目标框,然后通过二值化处理得到包含7000张CME前景图像的数据集(即groundtruth)。最后,将预处理得到的CME图像以及制作的CME前景图像数据集分别输送到Fg Seg Net＿V2网络中进行训练,从而得到适用于检测CME图像的训练模型。为了验证论文方法的准确性和有效性,以人工标记的CDAW目录为基准,将两种经典自动检测方法得到的目录:计算机辅助跟踪软件包(Computer Aided CME Tracking,CACTus)目录和SEEDS目录,与论文方法得到的测试结果目录进行比较。结果表明,在固定检测时间内,论文方法得到的结果目录与CACTus和SEEDS目录相比,在CME检测上有三大优势:第一,检测到的CME数量最多,同时检测准确率高,在两个测试集上,论文方法得到的准确率相比于CACTus目录分别提高了67.7%和52.9%,相比于SEEDS目录分别提高了61.2%和40.4%;第二,能够检测出CACTus和SEEDS目录没有检测到的弱CME以及CDAW目录没有标记的快速CME;第三,论文方法检测到的CME中心角度和角宽度这两个特征准确度高,即最接近CDAW目录的特征值。