日冕物质抛射（Coronal Mass Ejection,CME）是一种日冕物质从太阳日冕层向行星际空间抛射的强烈空间天气现象。CME严重影响着太空天气和人类生活,所以提高CME的检测效果对预报CME和保障人类的生产生活安全具有重大意义。尽管学者已经探索出了许多CME检测方法,但现有检测方法多采用人为定义特征和人为界定阈值等方法检测CME。由于人为定义特征不能很好表征CME且具有普适性的阈值难于选择,现有CME检测方法对CME的检测效果有待提升。基于深度学习的目标检测和语义分割方法在自然图像目标的检测和分割上取得了较好的效果。例如,Faster R-CNN在PASCAL VOC和MS COCO数据集上的检测正确率较高,取得的检测效果比传统目标检测方法好。U-Net作为一种深度学习类的语义分割方法,其在医学图像的目标分割上取得了较好的效果。本文根据Faster R-CNN和U-Net的优点提出了一种基于深度学习的CME检测方法。该方法利用Faster R-CNN检测出CME的大体区域,再利用U-Net分割出CME的精确位置。该方法的CME检测总体流程:1.利用Faster R-CNN对输入的日冕图像进行目标检测,得到含有CME目标的矩形区域;2.利用U-Net网络处理Faster R-CNN输出的矩形区域,得到基于像素点级别分割出来的CME目标。3.CME目录生成模块根据Faster R-CNN得到的目标框和U-Net网络得到的分割区域生成本文的CME目录。日冕图像跟自然图像存在以下差异:1.由于日冕拍摄仪精度等原因,日冕图像所含颜色和纹理等信息较少;2.日冕图像中的CME与其他明亮噪声（如行星、卫星和随机噪声等）区分度不高;3.日冕图像系列具有时间连续性,相邻两帧的图像相似性较高。基于日冕图像的特点,本文对目标检测Faster R-CNN网络和语义分割U-Net网络进行优化。为了利用日冕图像浅层信息和时间连续性,本文Faster R-CNN使用Res Net作为特征提取网络并将连续三帧图像的特征图融合。为了匹配CME目标的大小,本文利用K-means算法计算CME目标的尺寸信息,然后根据这些尺寸信息设置Faster R-CNN的anchor参数。为了结合使用日冕图像的深浅层信息,我们在U-Net网络的编码器上加入残差网络。为了增加有用信息的利用权重,本文在U-Net网络的编码器和解码器之间加入了注意力机制SE模块。由于目前还没有用于CME目标检测和语义分割的数据集,本文首先结合CDAW（the Coordinated Data Analysis Workshop Data Center）、SEEDS（the Solar Eruptive Event Detection System）和CACTus（the Compute Aided CME Tracking software package）等三个著名CME目录信息,人工标注了包含9113幅日冕图像的目标检测数据集。然后根据目标检测框从日冕图像中切割出CME目标区域,利用labelme工具对CME目标区域进行CME标记以制作语义分割数据集,得到120幅图像的语义分割数据集。将目标检测数据集输送到Faster R-CNN网络中进行训练、语义分割数据集输送到U-Net网络中进行训练,从而得到适合CME检测的目标检测和语义分割模型。为了验证本文方法的CME检测效果,本文以CDAW目录为参照基准,将本文方法的检测结果与SEEDS和CACTus目录进行对比。以2007年6月的日冕图像为测试集,本文算法检测出了CDAW目录的22个强CME事件中的21个和133个弱CME事件中的127个,且对CME事件的中心角和角宽度等特征参数的检测误差分别在5度和10度以内。经对比,本文方法有以下的优势:一、本文算法对强CME和弱CME的检测正确率分别达到95.5%和94.7%。其中对全部CME的检测精确率为94.8%。分别比SEEDS和CACTus高出77.4%和81.9%;二、能够检测出CDAW目录漏标的弱CME事件;三、本文算法检测出的CME中心角和角宽度等参数比现有CACTus和SEEDS目录更精确。