随着观测技术的不断发展,天文学研究进入了大数据时代。面对海量的观测数据,传统图像处理方法存在效率不足等问题,而大量观测数据契合了深度学习的需求。深度学习是机器学习领域中一个重要研究方向,广泛应用于图像处理领域。本文从实际的研究项目出发,对太阳射电频谱图的降噪和爆发检测问题进行了研究,提出了基于深度学习的降噪方法和爆发事件检测方法。通过分析太阳射电观测系统中噪声的来源及其影响,认为噪声主要来源于设备内部的固有噪声和外部环境中的复杂干扰。噪声的存在不仅降低太阳射电频谱图的观测质量,还影响后续中对爆发事件的检测与判定。在对传统降噪方法进行实验后,认为基于邻域像素值的降噪方法只针对某种特定类型的噪声有降噪效果,但对其他类型的噪声不具有泛化性,不能满足太阳射电频谱图的降噪需求,因此考虑采用深度学习技术来构建降噪方法。本文构建了两种基于深度学习的太阳射电频谱图降噪方法,并进行了对比分析。首先,搭建了 FFDNet与DnCNN两种深度学习网络。与DnCNN网络相比,FFDNet网络中增加了噪声估计子网络,并通过上采样和下采样的方式重塑图像,从而增大了网络对噪声水平的感知范围。其次,在构建数据集的过程中,筛选了槎山观测站、e-CALLSITO和南赛观测站（Nancay）的三个来源的图像,并通过噪声增强的方式解决了对比图像不足的问题。最后,对两种网络模型构建的太阳射电频谱图降噪方法分别进行试验,结果显示基于FFDNet网络的降噪方法在降噪能力上优于DnCNN。在构建太阳射电爆发事件目标检测方法的过程中,本文首先介绍了不同类型目标检测网络的优缺点,并根据实际需求确定采用RetinaNet网络来构建爆发检测方法。在搭建的RetinaNet网络中,采用特征金字塔网络（Feature Pyramid Network,FPN）作为骨干网络,并利用ResNet进行特征提取。FPN通过结构上的简单连接,融合了不同尺度的特征和不同级别的语义,在不影响检测速度的情况下提升了目标检测的性能。其次,在构建数据集的同时对数据集中的爆发事件分布属性做出细化的统计,并以太阳射电Ⅲ型爆发事件为例进行实验。最后,本文为进一步提升对多爆发事件的检测能力,提出了对网络训练中的批（Batch）数据进行分类重组的改进方法并再次进行实验,结果显示改进后的网络提升了多爆发事件的检测精度。