天气式海洋涡旋是普遍存在于全世界海域中的一种中尺度海洋现象,其本身往往携带着巨大的能量,是影响海洋环流的重要因素之一,也是组成跨尺度海洋动力学的重要一环。如何高效、准确的检测并识别涡旋一直都是海洋科学研究的一大热点。在涡旋研究的早期,使用的涡旋检测方法还是以人工识别的方法为主。近年来,无阈值等值线法、WA（Winding-Angle）、OW（Okubo–Weiss）等利用公式演算和物理推导的算法成为了主流。但是这些方法,都无法同时解决涡旋检测效率低下,准确率不足的问题。本文中基于海面高度数据（Sea Surface Height,SSH）进行涡旋的检测研究。由于数据获取阶段,存在系统误差、人为误差等不可控因素,在原始的SSH数据中存在一些数据异常点和缺失点。本文结合海洋水体数据特点以及涡旋研究任务要求,制定了适用于海面高度数据的特征工程处理方法,完善、优化原始数据集。首次通过网格海面高度数据转换为图片数据的方式,将基于深度学习的目标检测算法引入涡旋检测领域。利用基于区域的全卷积神经网络（R-FCN）强大的图像处理和信息提取能力,构建适用于涡旋检测的神经网络模型。为了解决标准R-FCN网络中的Anchor Box无法有效检测涡旋目标的问题,本文设计了一种新型Anchor Box初始化方法。并为了进一步提升模型的检测能力,通过引入空洞卷积改进网络结构的方式重新构建了一种全新的涡旋检测网络—基于区域的空洞全卷积神经网络（R-DFCN）。实验结果表明,基于涡旋特性的特征工程处理方法能够有效地对SSH数据集进行良好的处理,为涡旋检测智能模型的建立奠定了数据基础。本文构建的以SSH为数据支撑的R-DFCN涡旋检测网络模型相对于标准R-FCN模型及其他传统涡旋检测算法而言准确率更高、性能更好。并且作为轻量化模型,能够满足一定的移动检测场景需求,从而为实际海洋研究工作提供一定的决策支持。