海洋对人类社会的生存和发展具有重要意义。只有充分认识和了解海洋,才能更好的发展海洋。海洋涡旋是海洋中普遍存在的一种重要海洋现象,其在海洋中以螺旋状不断高速运动着,蕴含着巨大的能量,在运动的过程中往往伴随着海水温度、营养盐以及能量的输送混合,对海洋生态系统和全球气候的变化起着重要影响。因此,海洋涡旋识别已成为物理海洋领域的研究热点之一。传统的海洋涡旋识别强烈依赖声学多普勒流速剖面仪（ADCP）、自沉浮式剖面探测浮标（Argo）、温盐深仪（CTD）等航船、仪器的实测数据,获取的数据时间、空间不连续,只能对特定海域、路线上的涡旋进行研究。遥感卫星具有全天时、全海域、随时获取等突出优势,为海洋涡旋研究提供了丰富的数据来源。因此,本文利用多遥感融合数据源,结合深度学习技术,对现有的海洋涡旋识别算法进行改进,提出了一种基于深度学习的海洋涡旋快速识别算法。首先,本文对基于流场几何特征和基于高度异常值的识别算法进行了分析,并利用研究海域内的数据进行了仿真实验。两种识别算法均以固定的特征约束作为涡旋识别的关键,且设定阈值需要依赖于专家经验,识别结果表明,二者极易出现漏检和误检现象,识别的效率较低、效果不佳。其次,本文深入研究了基于深度学习的识别算法。提高海洋涡旋识别准确率的关键在于涡旋特征的精确提取,针对传统算法无法获取很好的特征和依赖专家经验设定阈值的问题,本文利用深度学习能够逐级抽象提取涡旋高层特征的特点,设计了一种基于深度学习的海洋涡旋识别模型,利用改进的密集卷积精确提取海洋涡旋的高层特征,并使用跨层融合技术提高特征的重用率,来充分捕捉边缘信息,以获得更高的识别准确率。通过与传统的海洋涡旋识别算法相比,本文提出的基于深度学习的海洋涡旋识别方法能够有效分离、识别出距离较近的涡旋,具有更好的识别结果。