日冕物质抛射物（Coronal Mass Ejection,简称CME）是在太阳大气中发生的最猛烈的爆发活动之一,通常携带大量的高能粒子,对空间环境和人类活动有着很大的影响。研究CME的活动迹象,有利于更加清晰地了解它们的运动过程,从而进行空间天气预警,降低灾害。目前的CME编目主要为手工制作和传统图像处理生成,手工编目具有明显的主观性和耗时性,而传统方法的识别结果总是存在一些误差。深度学习在目标检测、图像分割、目标追踪等任务中的优异性能促使我们将其应用于CME的检测。为此本文引入深度学习技术,对CME进行了研究,提出了两种检测CME的方法,基于这两种方法,设计并实现了一个CME编目系统。本文主要成果包括以下三个方面:（1）设计了一种基于深度描述符转换的日冕物质抛射物检测方法。本文提出了一种基于深度描述符转换的日冕物质抛射物检测方法,该方法包括三个模块,首先设计了一个图像分类网络,该网络包括特征提取模块和分类模块,从现有CME目录中获得训练标签来训练图像分类网络,标记包含CME结构的图像并提取高级语义特征;其次为了识别每个带有CME标记的图像中的CME区域,使用深度描述符转换来定位图像集中的公共对象,得到CME的大体位置,并应用图割技术微调检测到的CME区域;最后为了跟踪图像序列中的CME事件,将检测结果从笛卡尔坐标转换为极坐标,如果CME可以移动至少两帧并到达日冕仪视场的边缘,则将其标记为事件。对于每个事件,计算并统计其运动参数,将跟踪结果与现有的CME编目进行了对比,实验结果表明本文的方法可以尽早捕获CME,检测微弱的CME结构。（2）设计了一种基于上下文感知的日冕物质抛射物检测方法。从获得CME边缘细节的角度出发,提出了一种基于上下文感知的CME检测方法。手工制作了一个月的CME三分图数据集,设计了一个端到端的阿尔法预测网络,将白光日冕仪差分图像和对应的三分图作为输入。在编码过程中为了更好地获取CME边缘区域的空间上下文信息,采用了注意力机制,提取更广泛和深层的语义特征,保留更多的空间信息。同时提出了一种阿尔法损失和合成损失相结合的度量方法,该损失函数通过对未知区域的高层特征进行约束使得网络对于CME边缘的预测结果更加准确。最后手工定义跟踪规则,对检测结果进行清洗,统计CME的运动参数,并将跟踪的结果与现有的方法进行了对比,实验表明该方法得到的CME边缘结构更加完善,运动轨迹更加真实。（3）实现了一个日冕物质抛射物编目系统。整合本文的日冕物质抛射物检测方法,计算得到一系列CME事件,设计并实现了一个CME编目系统。该系统对每年每月每日的CME的运动参数进行了编目和动画演示,并发布在紫金山天文台网站上,共享给普通用户参考和学习。