太阳黑子是发生在太阳光球层的现象,与太阳活动密切相关,比如耀斑、日冕物质抛射等。这些活动会严重影响地球大气层,从而干扰地面短波无线电通信,并造成“磁暴”等危害。相关研究表明某些类型的太阳黑子群与耀斑有关,因此可以通过实时检测黑子群的类型来预报耀斑的爆发。早期的太阳黑子群用手工分类和图像处理技术自动分类的准确率不高,主要原因是太阳黑子群的特征没有被有效充分地提取,造成很多黑子群漏检或者误检。因此,研究如何有效地提取黑子群的特征以提高黑子群分类的准确率是非常有意义的。深度学习中的卷积神经网络可以有效地提取图像目标的低层和高层的融合特征,本论文主要研究如何采用深度学习方法来解决太阳黑子群的McIntosh分类准确率低的问题。主要工作如下:(1)建立太阳黑子群分类样本库McIntosh_SC。将2013年-2016年全年1840张全日面图像进行预处理,并通过对样本翻转等操作扩充数据集,来弥补部分类别的黑子群难例样本过少的问题,根据McIntosh分类标准用labelimg对太阳黑子群逐一分类标注,共标注了8800多个类别标签。(2)研究基于Faster R-CNN的太阳黑子群分类方法。经研究对比各大主流卷积神经网络结构后,改进了ZF网络,改进后的网络作为Faster R-CNN的主体网络结构,将样本库输入网络进行迁移学习训练并微调参数,使黑子群的特征有效被提取,解决了黑子群多分类检测框重叠、黑子群多分类检测不在同一全日面像中、黑子群锚点窗口比例不合适等难点后,对2017年350张全日面像上的黑子群检测分类,统计表明该方法的精确率为69.94%,召回率为89.03%。(3)研究基于R-FCN的太阳黑子群分类方法。由于Faster R-CNN模型无法达到实时检测的速度要求,而且准确率尚低,因此又研究基于R-FCN的太阳黑子群分类方法,选取残差网络ResNet-50作为R-FCN的网络结构,进行网络训练并微调参数,用与(2)中一样的改进的检测方法对350张全日面像上的黑子群检测分类,统计分析表明该方法的精确率为84.99%,召回率为93.4%。(4)将准确率、召回率、精确率和mAP作为评价指标对两种方法的检测结果进行分析比较,结果表明基于R-FCN的方法得到的精确率比美国国家海洋和大气管理局NOAA的精确率高出37%,也远远高于其他学者的检测结果。