中尺度涡又称为海洋“风暴”,对海洋能量和物质运输具有重大作用,具有重大的研究价值。传统的基于流场几何特征和高度异常值的涡旋检测算法不仅复杂度高,而且阂值设置受人为影响比较大,适用范围有限。卷积神经网络(Convolutional Neural Network,CNN)是深度学习的算法之一[1],已经被广泛应用在图像的识别方面。本文致力于将卷积神经网络引入海洋中尺度涡旋检测,以期提高涡旋检测的效率和精确度。本文在基于对现有涡旋检测方法研究的基础上,结合卷积神经网络在图像识别方面的有效应用,将卷积神经网络引入到涡旋检测场景中,实现基于卷积神经网络的涡旋检测算法。研究内容主要分为两部分:一方面,本文实现基于流场几何特征和基于高度异常值的涡旋检测算法。分析海洋涡旋在流场和高度异常中的特征,以特征约束方式实现涡旋检测。对比分析两种算法的准确度以及误检和漏检的原因。结果证明:这两种算法实现较容易,但对计算机的计算性能比较高,阂值比较敏感,容易造成误检或漏检,检测准确率比较低,适合数据量较少的涡旋检测。另一方面,本文实现基于CNN的涡旋检测算法。在分析CNN原理和结构研究的基础上,将卷积神经网络应用到中尺度涡旋检测中。流场再分析数据(基于海洋数值模拟计算)可以精确表征中尺度涡的速度和方向但涡心不清晰,海面高度数据可以准确反映涡心位置但容易误检测。结合两种数据特点,利用高度异常值进行全局检测,刷选疑似涡旋中心点,利用流场几何特征构建检测样本集,对疑似涡心点进行局部检测,实现基于CNN的涡旋检测。最后将三种方法检测结果进行对比和分析,结果表明:基于CNN的涡旋检测不仅准确率高,而且更加适合大数据背景下的涡旋检测。