染色体Hi-C技术的提出与快速发展,让人们能精确的获取到染色体三维空间位置结构的信息,但是如何通过Hi-C数据来发现更多生物意义以及通过何种技术手段来解决更多生物信息难题,这是我们需要去关注和探索的生物信息技术问题。TAD是染色体上基因位点相互作用密集的区域,它包含了非常丰富的基因表达信息,并且边界处也蕴含了丰富的修饰蛋白信息以及转录因子等信息,但是TAD的识别和检测工作一直是一个极具有挑战性的难题。以往的TAD检测方法都是基于传统统计学,还有一些方法是通过聚类算法来检测TAD。不过它们的检测结果有待提高。最近几年来,深度学习在不同的领域得到了快速的发展与应用,比如NLP、CV、以及推荐领域等。在本文中,将计算机前沿算法与生物信息需求相结合,通过深度学习的目标检测算法与传统图像处理技术的融合,提出一种基于深度学习的TAD域检测方法,并且通过这种检测方法对不同生物,不同细胞系的TAD域进行检测,研究TAD域结构信息,也通过其生物意义来验证这种检测算法对其他生物体数据的泛化性能。本文的主要贡献有:1)探究符合生物数据特点的Hi-C数据预处理与可视化方法,提出Hi-C数据和图像算法紧密结合的方案,让研究者能够使用图像算法去探寻更多的Hi-C生物意义。2)提出基于深度学习的TAD域检测算法——Deep TAD,算法融合了传统图像处理技术以及基于深度学习的目标检测算法,使其应用到生物信息领域,让两者紧密结合,探究能很好解决生物信息课题的算法框架。3)根据TAD域边界处的Hi-C数据特点提出BC（boundary correction）算法,精确修正TAD域边界,使得目标检测算法和生物问题对于特征位置的精确要求相结合,让TAD检测结果更加精确。4)与国际同类方法对比,通过其他生物特征数据来辅助验证Deep TAD检测结果。通过Deep TAD检测结果来探寻更多的生物特征意义。