海洋自然资源丰富,海洋的深度开发和利用已成为全球发展的新热点和竞争的新舞台。我国作为海洋大国,以科技创新了解海洋、认识海洋,进而开发海洋和经略海洋引领海洋发展,是建设“海洋强国”的重要支撑。中尺度涡作为一种普遍存在的海洋现象,广泛存在于世界大洋与边缘海中。由于中尺度涡大空间尺度、非规则三维立体结构以及水平与垂直快速运动特点,使其在全球海洋物质、能量、热量和淡水的输运和分配中起着不可忽视的作用。因此,中尺度涡的自动检测是研究其时空分布、动态变化特征,分析其对海洋生态环境变化、生物资源分布影响的重要基础。中尺度涡生成、成长和消亡过程认知的不足是限制当前研究其与海洋现象间多尺度响应机制和反馈作用的关键问题。卫星高度计遥感提供的大面积、准同步的海平面高度异常数据为海洋中尺度涡研究提供了丰富的数据基础,目前关于中尺度涡检测的研究方法可分为基于物理参数法、基于流场几何特征法、两种方法混合和基于机器学习法。基于中尺度涡特征检测方法的精度严重依赖人为干预设置合适的阈值和人工设计和构建特征,存在显著的任务特异性、泛化能力差的限制,而且检测结果不够直观,对于非专业人士理解比较困难。基于机器学习的检测方法能够自动提取和构建特征,但现有方法中尺度涡的检测框存在区域冗余、重叠和嵌套现象,中尺度涡尺度变化大、涡群密集排列的特征,为中尺度涡的精细化检测提出了巨大挑战。本文以海洋中尺度涡自动精准检测为研究目标,针对现有方法存在的局限性,结合任意方向目标检测的思想,提出了融合多尺度旋转锚和特征增强的海洋中尺度涡自动检测模型,论文的主要研究内容和成果如下:（1）构建基于海平面异常高度SLA（Sea Level Anomaly）的海洋中尺度涡数据集。卫星高度计提供的海平面异常高度（SLA）数据具有大面积、准同步的观测优势,为海洋中尺度涡的进一步研究提供了丰富的数据基础。本文采集欧洲哥白尼海洋环境监测中心提供的2011-2015年,0°N-25°N,100°E-125°E的SLA数据进行海洋中尺度涡的研究,在matlab中编写代码可视化SLA数据构建中尺度涡图像集,基于Labelme对中尺度涡进行手工标注,并采用数据扩充方法增加特征集的规模和多样性。（2）提出融合多尺度旋转锚的中尺度涡自动检测模型。不同海域中尺度涡生成海况环境复杂多变,使其呈现出多尺度、多长宽比和非规则的特征,在其运动状态活跃的地方,普遍存在中尺度涡密集排列的现象。本文基于构建的SLA中尺度涡训练集,从网络框架本身出发,基于Res Net初步提取中尺度涡特征,采用特征金字塔网络融合中尺度涡的高层和低层特征,设计由多尺度、多长宽比和多角度构成的多尺度旋转锚生成机制,最后集成分类和回归子网络实现中尺度涡的旋转自动检测。实验表明提出的中尺度涡自动检测模型最优检测精度达90.22%。（3）提出融合特征增强的任意方向中尺度涡自动检测模型。由于不同海域的中尺度涡特征存在明显的差异,其在输出特征图对应的通道所占的权重也不一样,但是卷积操作默认将所有通道融合。因此本文在研究（2）的基础上,在输出多尺度特征图的特征金字塔网络结构中嵌入SE模块,自动学习不同通道的相对重要性,来激励有用的特征和抑制无用的特征,进而生成更好的特征表达信息。实验表明,特征增强可以明显地优化检测结果,其最优检测精度达92.69%。