随着科技的飞速发展,地球科学数据以指数形式增长,呈现出数据量大、更新快、多极化、多角度、高速发展等大数据特征。因此,如何从这些海量的地球科学数据中挖掘有价值的信息,成为新时代数学地球科学领域的工作重心。深度学习作为近年来机器学习领域的热点研究对象,具有从复杂数据中自动提取高级表示的能力,在解决目标检测、遥感图像识别等大数据问题上无疑具有巨大潜力。然而,深度学习在地球科学大数据挖掘与分析中仍处于探索阶段,要想充分挖掘深度学习模型在地球科学数据应用中的潜能,还有许多问题亟需解决。尤其是,目前深度学习算法本身在超参数设置和网络架构设计方面没有标准的确定方法,几乎都依赖于人工设计,无法完全避免人工的干预。而且,在海量数据的背景下,深度学习算法的超参数少则几十个,多则上百,各个超参数对深度学习模型的影响并不是独立的,人工设置难免出现偏差。因此,有必要研究自动化的参数优化方式,真正实现自主、高效、准确地为深度学习模型获取更优的参数组合。智能优化算法（如遗传算法、粒子群优化算法）具有优异的为复杂函数进行参数寻优的能力,可高效、准确地优化深度学习模型的参数。本论文的工作主要围绕如何使用智能优化算法为深度学习模型的参数进行寻优而展开,分别从理论层面和应用层面研究了深度学习模型的参数寻优问题,并通过实验验证了本文设计的算法可以有效地为深度学习模型获取更优的参数组合。本文的主要研究内容和创新点如下:（1）设计了基于智能优化方法的两阶段超参数优化算法。目前,深度学习模型中参数的确定主要依靠人工经验完成,难以避免产生偏差。针对这一问题,本文设计了两阶段优化算法,高效、准确地获得具有最优超参数组合的深度学习模型。综合考虑效率和精度,本文所设计的两阶段卷积神经网络优化算法在基于Cifar-10和Cifar-100数据集的图像分类任务表现上综合效果更佳。对于不同的卷积神经网络模型,本文通过智能优化算法得到的Single Stage和Two Stage卷积神经网络模型在RSP数据集上性能表现均优于另外三种传统的卷积神经网络,进一步验证了本文所提算法的实用性。（2）提出了针对深度学习模型初始权值的自动优化算法。权重值的初始点决定了深度学习模型是否收敛以及收敛的速度,一个好的初始权重值可以有效地提升模型的训练效率。本文以深度学习模型的权重值为决策变量,设计了基于智能优化方法的深度学习模型初始权值优化算法,通过智能寻优过程自动搜寻深度学习模型的训练起始点,从而实现加速模型收敛的目的。通过与其他权值初始化算法对比,该算法得到的深度学习模型在基于Cifar-10和Cifar-100数据集的图像分类任务表现上效果最佳,取得了最优精度值。在保证同样训练精度的前提下,对比不同的权值初始化方法,本文所提的初始化权值优化算法在RSP数据集上能够更快地达到稳定精度,收敛速度更快,效率也更高。（3）设计了针对Retina Net目标检测框架的超参数优化算法。基于深度学习的目标检测框架也存在会影响检测精度和效率的超参数设置问题。本文选取One Stage目标检测框架Retina Net,对Retina Net框架自带的超参数进行了智能优化研究,并通过对比实验验证了经过超参数优化的目标检测框架在目标检测精度上效果更好。（4）构建了经过智能优化算法进行参数优化的卷积神经网络模型,并实际应用到遥感影像黑棉土的识别中。通过对比实验和在实际遥感影像样本上的分类效果对比测试,进一步验证了算法的有效性和实用性。