海洋中尺度涡是一种重要的海洋中尺度现象,在海洋环流、物质能量传输中发挥重要作用,对舰船航行安全、水声通信等也具有重要的影响。高效准确地识别出海洋中尺度涡无论对于物理海洋认知还是海洋开发利用都有着重要的研究价值。目前,海洋中尺度涡识别的主要途径是人工识别和机器自动判别。从实践经验来看,依靠专家对海洋遥感图像进行“目视识别”的方法是海洋中尺度涡最为准确的识别提取方法,但此方法劳动强度大且效率低下,无法满足高效快捷、自动监测的需求;阈值法是传统应用最广泛的自动识别方法,但严重依赖人为设置的阈值,主观性很强,很容易漏掉偏离对称结构的涡。近年来,机器学习方法在海洋中尺度涡特征提取与自动识别方面展现出独特的优势,但现有的机器学习方法由于样本训练集不足和缺乏目标特征的高分辨率表征学习,容易发生误检且对小边界中尺度涡容易漏检。针对以上问题,本文从海洋中尺度涡特征高分辨率表征学习和训练样本数据多样性增强的角度,改进现有机器学习方法,实现了海洋中尺度涡识别性能的进一步提升。本文研究工作主要包括以下两个方面:（1）提出了一种高分辨率海洋中尺度涡识别深度神经网络方法HREddy Net（High-Resolution Eddy Identification Network）。HREddy Net在网络结构设计上主要由HRNet网络模块、连接层、FPN网络模块、分类和定位模块等模块组成。HREddy Net首先通过HRNet提取海洋中尺度涡的高分辨率特征,经连接层处理后利用FPN对高分辨率特征进行分层处理,然后利用分类和定位模块完成涡的识别,最后引入非极大值抑制（Non-Maximum Suppression,NMS）方法对识别结果进行基于领域最大搜索的调优处理并得到最终的结果。与传统中尺度涡识别方法和现有机器学习方法的性能对比表明,HREddy Net具有较低的误检率和漏检率。（2）提出了一种基于旋转随机擦除的海洋中尺度涡数据增强方法。针对训练样本数据集不足导致HREddy Net性能难以提升,而现有几何变换、噪声注入等图像增强方法在数据增强方面的单一性问题,论文通过旋转随机擦除的方式来增强海洋中尺度涡训练样本集,以此提升样本数据的多样性。在此基础上,论文利用多种类型的数据增强方法构建样本集,并开展深度学习网络模型训练和测试。结果表明,基于旋转随机擦除的数据增强方法相较于传统的图像数据增强方法,能够获得更好的训练样本集,即训练后的深度学习网络表现出更高的准确度和召回率。