分子云团块是恒星的诞生地。分子云团块的普查和其性质的全面研究将有助于了解恒星的形成乃至星系和宇宙的演化过程。随着银河画卷计划（MWISP）项目的深入进行,这类研究方案变得切实可行。MWISP计划是使用紫金山天文台德令哈（PMODLH-13.7m）望远镜实现对银道面附近银经0～260,银纬-5～+5,共2600平方度的天区范围内的一氧化碳三个同位素分子(¹²CO,¹³CO,C¹⁸O)同时观测,以得到银道面附近的分子云分布的三维数据。项目产生的分子云观测数据是海量的,因此迫切需要一种能够自动识别和证认分子团块的方法。目前应用广泛的三维分子云团块检测方法中有很多,典型的包括Gauss Clumps,Clump Find,Fell Walker,Reinhold等,但都需要输入多个参数来控制它们的性能,并且进行反复的参数优化和目测才能得到比较满意的结果。对于大规模的观测数据,利用现有方法进行分子团块的证认将是一项耗时耗力的任务。为了克服传统分子云团块检测算法的局限性,人工智能（AI）的方法将提供一个很好的解决方案。本文提出了一种自动处理三维分子云数据的卷积神经网络方法,通过对比实验,将其检测效果与传统检测算法作对比。本文的主要工作包括:（1）对现有典型的分子云团块检测算法进行评估。分别从检测的正确性、错误性、重复性、参数依赖性评估这几种方法的检测效果,在仿真数据的情况下传统检测算法的表现不能令人满意。（2）利用卷积神经网络的方法（MVCNN、Vox Net）对仿真分子云团块进行二次证认,验证了卷积神经网络方法相较于传统检测算法,表现更好,稳定性更强。（3）将卷积神经网络应用于MWISP分子云数据中,自动化分子云团块的检测过程。首先,开发分子云团块交互式标注平台,用以制作分子云团块样本集。使用这些标注样本训练卷积神经网络模型（Vox Net）并将训练好的模型运用于新的团块数据中。实验结果表明:Voxnet能够达到较好的检测效果,实现自动化分子云团块检测过程的自动化。本文分析了传统团块检测算法的表现,并提出卷积神经网络的方法用于团块的证认过程,该方法提高团块证认效率,减少证认过程中的人工干预,其检测结果更加客观准确。