太阳活动区是各类太阳活动的主要能量来源,剧烈的太阳活动会直接影响人类的生存环境,因此准确地检测与跟踪太阳活动区对监控和预报空间天气非常重要。太阳活动区的跟踪是一种典型的多目标跟踪问题,根据太阳活动区跟踪的任务需求和Detection-Based Tracking(DBT)模式的特性,本文选用了DBT模式,先采用检测算法检测太阳活动区,再对检测结果进行跟踪。目前用来解决太阳活动区检测与跟踪的方法主要采用传统的图像处理技术。这些方法在检测和跟踪方面存在如下问题:(1)一个具有双极的太阳活动区被误检测为多个活动区。(2)多个距离较近的太阳活动区被误检测为一个活动区。(3)未能及时标注新浮现的太阳活动区、以及仍标注了已经在全日面图像上消失的太阳活动区等现象。本文基于深度学习框架的YOLOv3和DeepSort提出了一种太阳活动区检测和跟踪方法(Active Regions Detection and Tracking Method,ARDTM)。主要工作如下:(1)建立太阳活动区检测数据集。(2)研究基于YOLOv3的太阳活动区检测方法。本文采用YOLOv3-spp方法作为太阳活动区检测方法,该方法在YOLOv3的基础上添加了空间金字塔池化,有效提高了检测性能和准确率。(3)建立太阳活动区跟踪数据集。(4)研究基于纬向较差自转定律和DeepSort的太阳活动区跟踪方法。该跟踪方法对DeepSort中的重识别网络、目标预测、目标匹配和终止条件等方面都做了改进。有效提高了算法对太阳活动区的跟踪性能。ARDTM方法较好地解决了传统图像处理技术易将一个太阳活动区误检测为多个,或者多个太阳活动区误检测为一个活动区的问题;及时捕获到新产生的太阳活动区和终止跟踪已消失的太阳活动区,有效地提高了太阳活动区跟踪的准确率。本文的训练集虽然只采用了HMI数据,但本方法能很好地检测和跟踪HMI和MDI序列数据上的太阳活动区,表现出了较好的泛化性。在太阳活动区检测数据集上,本方法的召回率达到了92.77%,精确率达到了91.70%,AP达到了91.04%。在太阳活动区跟踪过程中,12分钟间隔的序列数据的多目标检测准确率(MOTA)达到了91.2%,24小时间隔的序列数据的MOTA达到了82.7%,在两种序列数据上的MOTA达到了90.2%。结果表明,该方法可以较好地检测和跟踪不同望远镜、不同时间间隔序列图像中的太阳活动区。为了进一步提高短时间间隔序列数据的跟踪性能,本文针对短时间间隔的(12-36分钟)序列数据对ARDTM进行了改进,在ARDTM的基础上添加了局部加权线性回归(LWLR),将该方法称之为LWLR-ARDTM。经过测试,本方法适用于时间间隔为12-36分钟的序列数据中太阳活动区的跟踪。在12分钟时间间隔的序列数据上,MOTA达到了92.7%,比ARDTM提高了1.5个百分点,具有更好的跟踪性能。