海洋涡旋是海水中一种常见而复杂的海水流动现象,是海洋资源运输中起着重要作用的旋转水团,其垂直结构和携带的动能对全球气候变化的模拟与预测具有重要的科学价值。近几年,利用卫星高度计测量所得的海表面高度作为研究数据,并结合深度学习来自动检测海洋涡旋的方法屡见不鲜,使其成为研究海洋动力学的热门领域之一。虽然使用深度学习的方法检测海洋涡旋取得了一定成效,解决了传统检测方法通用性差、效率低的问题,实现了海洋涡旋的自动检测,但对于海洋涡旋检测的准确性有待提升。针对此问题,本文基于U-Net网络,提出了两种具有高准确性的海洋涡旋自动检测模型,主要研究内容如下:（1）针对海表面高度图像涡旋检测任务中,多类别涡旋检测准确度不高的问题,提出一种新的海洋涡旋检测模型——eddy RCunet。首先,以U-Net网络为基础架构,在编码器部分与解码器部分的卷积层中同时添加残差块,进行深层次的网络训练,解决梯度消失的问题。其次,为了重点突出海表面高度图像中的多类别海洋涡旋,在eddy RCunet模型的编码器中,引入卷积注意力模块,重点突出有用特征,抑制不重要的特征,增强了特征表达能力。最后,eddy RCunet模型采用Dice系数与准确率作为评价标准,在Eddy Net-Day数据集上进行测试,最终获得71.78%的平均Dice系数和91.15%的检测准确率。实验证明了eddy RCunet模型的有效性。（2）为融合更多的空间特征信息,捕捉海洋涡旋的更多细节,提升海洋涡旋的检测性能,在eddy RCunet模型的基础上,提出了新的海洋涡旋检测模型——DSEeddy。DSEeddy模型为编码器-解码器结构。首先,在卷积层之间添加级联操作对残差块进行修改,加强空间特征信息的传递,达到更充分利用特征的目的;同时,保留残差块中的跳跃连接,缓解梯度消失问题,加快网络收敛。其次,在编码器部分添加SE模块,获取各个特征通道的重要性,然后根据特征通道各自不同的重要性突出显示海洋涡旋。最后,采用Dice系数与准确率作为评价标准对模型进行评估。实验表明,DSEeddy模型获得了72.63%的平均Dice系数和93.62%的检测准确率,提高了海洋涡旋检测性能,具备了良好的泛化能力。综上所述,eddy RCunet模型与DSEeddy模型都具有较好的优化效果,进一步提升了海洋涡旋检测性能,提供了海表面高度图像中海洋涡旋检测的有效参考,具有重要的科研价值与研究意义。