因太阳剧烈扰动导致射电强度剧增的太阳射电爆发会对地球的电磁环境以及空间天气产生巨大影响,因此对各种类型爆发事件的发生规律、辐射机制及其精细结构的研究,对探索太阳爆发活动过程具有指导性意义。然而随着世界各国太阳射电监测设备的建立,大量的太阳射电观测数据得以累积,通过人工和传统的数据处理方法难以快速高效的对太阳射电频谱图进行分类。本文将结合太阳射电各类爆发事件的研究现状,利用深度学习技术实现对太阳射电爆发频谱图的判别和爆发类型的自动分类及定位。对爆发事件精细结构的研究通常基于图像处理技术,经过背景去噪和对各频率通道的射电流量值的数据处理等操作,提取当前爆发事件相应的特征参数并进行研究。不仅处理过程繁琐复杂,而且方法中使用的参数需要人工干预。此外,同一个处理程序不适用于处理多类爆发事件,无法实现对大量各类爆发事件的同时处理。本文对当前各类自动分类算法和目标检测算法进行了研究和分析对比,在前人实现太阳射电频谱图分类和提取爆发特征参数方法的基础上,提出使用在图像上分类能力强的卷积神经网络(Convolution Neural Network,CNN),实现对太阳射电爆发频谱图的自动识别,并利用深度学习中的目标检测网络实现对各类爆发事件的自动分类和定位检测,而后对定位检测出的爆发事件的位置坐标进行计算即可得到各项基本特征参数。文中对太阳射电频谱图的分类和爆发事件的定位检测问题分别进行各项对比实验。针对识别太阳射电爆发频谱图的问题,搭建了深度置信网络和支持向量机,与CNN网络的分类效果进行对比,结果显示CNN方法的分类效果更好。另外,根据太阳射电频谱图中各频率通道之间信息相互独立的特点,使用1×n的卷积核进行特征提取,从而进一步提高了网络的分类性能。针对爆发类型的分类和定位检测问题,探讨了当前流行的各种目标检测算法,结合各类太阳射电爆发事件的特点和数据现状,最终选定了基于Faster RCNN的网络框架。在Faster RCNN中,分别使用VGG16和ResNet101网络进行特征提取,根据最终各类爆发事件的检测精度对比网络性能。为进一步提高网络对小尺度爆发事件的检测能力,对原Faster RCNN网络进行改进,提出多尺度检测框和多层特征融合训练的方法,提高了小尺寸爆发事件的检测精度,从而使本文网络适用于各种尺度爆发事件的检测。对定位检测出的爆发事件的位置坐标进行简单计算,即可得到起止频率、持续时间、频率带宽和频率漂移率等特征参数,这为将来实时检测并提取爆发特征参数的实现提供了可能。最后,以III型爆发和小尺度的尖峰爆发事件为例,阐述了基本特征参数的提取过程,并根据参数统计结果对爆发事件做出简要分析。