太阳黑子是太阳表面强磁场的典型表现,与太阳活动联系紧密,比如耀斑和日冕物质抛射。这些活动会扰乱地球大气层,使地面的无线电短波通讯受到影响,产生“磁暴”现象等危害。研究表明,太阳黑子群的形态结构和对应活动区的磁场极性越复杂,在该区域发生耀斑的概率就越高。其中,Wilson山磁分类中的βγδ类与耀斑的关系最为密切,大多数的X和M级耀斑发生在βγδ类黑子群上方。基于太阳黑子群与太阳耀斑的关系,对太阳黑子群Wilson山磁分类算法的研究非常具有意义。深度学习中的CornerNet-Saccade模型在目标检测领域取得了良好效果,本文基于CornerNet-Saccade对太阳黑子群Wilson山磁分类方法展开研究。本论文建立了可靠的太阳黑子群Wilson山磁分类数据集,对大约2400张太阳全日面图像进行预处理,用Label Me标注工具对太阳黑子群进行分类标注,共标注了10000多个样本,数据集已经与云南天文台的相关专家反复确认。针对太阳黑子群的的形态特征和对应活动区的磁场极性,提出了基于CornerNet-Saccade的CNSS（CornerNet-Saccade-Sunspot）模型,并成功应用于太阳黑子群Wilson山磁分类任务,在太阳黑子群Wilson山磁分类数据集上的准确率为95%,召回率为95%,m AP为93%。相比较于CornerNet-Saccade,CNSS在太阳黑子群Wilson山磁分类数据集上的检测精度提升了大约6%。本文创新点在于建立了一个可靠的太阳黑子群Wilson山磁分类数据集,用于太阳黑子群Wilson山磁分类任务的训练和测试环节。其次,针对太阳黑子群的形态特征和对应活动区的磁场极性,本文提出了基于CornerNet-Saccade的CNSS模型,提升了太阳黑子群Wilson山磁分类的检测性能。