日冕物质抛射（Coronal Mass Ejection,CME）是对日地空间环境有着巨大影响的太阳爆发活动,当其到达地球时可能会引发地磁场扰动并导致地磁暴。快速准确地预测可以引发地磁扰动的CME事件并预计其到达地球的时间,对于减少CME造成的危害而言至关重要。传统方法在预测CME到达地球时间时大都只针对具有对地有效性的CME事件,即只针对能够到达地球并引发地磁扰动的CME事件,但是现有技术无法预先准确判断一个CME事件是否具有对地有效性,并且现实中大部分CME事件不具有对地有效性,这就会导致传统预测方法不通用且预测不全面。本文提出了一个基于卫星时序观测图像的深度学习算法,该算法首次在深度学习中将CME事件的对地有效性预测及到达时间预测相结合。具体地,将CME事件到达地球时间的预测分为两个阶段,算法先预测其对地有效性,对于预测为具有对地有效性的CME事件会进一步预测其到达地球时间。首先,本文构建了一个适用于本文算法研究和评估的大规模CME数据集。其次,在CME对地有效性预测问题上,提出了一种嵌入注意力机制的深度残差网络,其可以有效地提取关键区域特征;针对每个CME事件中卫星观测图像数目不稳定的特点,提出了基于特征图点重要性的不定长度特征图融合算法,有效地将各个图像提取的特征图进行融合;使用知识蒸馏对模型压缩加速,通过集成多个教师模型的知识辅助训练轻量级学生模型。最后,在对地有效的CME事件到达时间预测问题上,针对对地有效的CME样本少的情况,提出了一种基于样本拆分的数据扩充方法,使得数据规模得到10x的扩增;提出了基于分组卷积的深度残差回归网络以平衡算法的性能和速度;提出了一个代价敏感的回归损失函数,使模型将更多的注意力集中在困难样本。基于本文提出的算法,搭建了一个支持用户交互的原型系统,并进行大量实验评估算法和系统的性能。结果显示,本文提出的算法相对于传统深度学习方法有着更优的性能,系统有着良好的实时性和鲁棒性。