太阳暗条存在于日冕中,是由低温高密度的等离子体组成。强烈的暗条爆发活动会影响地球磁层,严重时将导致通信设备受损,造成通信中断、航空运输导航失效等。此外,暗条作为太阳大气磁场的示踪,对暗条进行研究有助于探究太阳磁场的结构和演化规律。因此对暗条准确地检测作为相关研究的基础和前提,具有重要的科学意义。针对现有的暗条检测方法存在数据集不准确、检测结果精度不高,弱小暗条错检、漏检等问题,本文首次结合太阳磁图制作了暗条数据集,同时,在编-解码分割网络的基础上进行改进,分别提出了多尺度稠密连接M-DensenUNet网络以及改进的VNet网络,利用自制数据集训练网络,并用训练好的模型完成暗条的检测。针对上述内容,本文主要进行了以下三个方面的研究工作。第一,首次结合太阳磁图完成暗条数据集的制作。由于目前已有的暗条数据集,其标注暗条的方法采用的是图像阈值分割处理,导致图像中太阳黑子和小噪声点也会被标注出来,同时也会漏掉弱小暗条,致使网络提取到错误特征信息,造成暗条漏检和背景误识别。本文通过利用太阳磁场分布与暗条位置的关系,根据同一时刻磁图中的极性反转线进一步确定暗条的位置,再根据暗条的亮度和纹理特征,采用手工标注的方式制作了暗条数据集,提升了数据集的准确度,为后续实验提供数据样本。第二,提出了基于多尺度稠密连接M-DensenUNet的太阳暗条检测方法。引入稠密连接结构的DenseUNet网络通过增加浅层特征图与深层特征图的连接,解决了ResnetUNet网络的冗余问题,增大了特征信息重用量,减少了参数量,同时提升了检测精度。为了防止在下采样过程中暗条细节信息的丢失,在DenseUNet网络基础上提出多尺度稠密连接MDensenUNet网络,引入多尺度卷积结构,结合了不同尺度的特征图,降低了暗条纹理信息的丢失,使检测的暗条结果得到进一步提升。第三,提出基于改进VNet的太阳暗条检测方法。考虑到多尺度稠密连接网络占用内存极高以及受背景干扰较大,容易将部分背景误识别为暗条。因此,采用抗干扰能力较强的VNet网络训练并进行暗条检测。同时,为进一步去除背景干扰的影响及暗条断裂等问题,对VNet网络进一步改进。首先引入Inception模块,得到暗条不同尺度信息,更好地利用网络内部计算资源,提取到更多图像特征;其次引入注意力机制,达到增强暗条特征同时抑制无用背景信息;最后在上采样部分引入深度监督模块,使不同尺度的特征图都能学到最准确的特征,在抑制干扰背景的同时提高了检测暗条的精度。改进前后的VNet网络与其他分割网络检测暗条的结果进行对比分析,得出改进后的VNet网络在测试数据集上平均准确率达到0.9883,F1值达到0.8385。实验结果证明,该方法可以有效识别Hα全日面图中暗条。