Los eventos eruptivos solares podrían afectar la comunicación por radio, los sistemas de posicionamiento global y algunos equipos de alta tecnología en el espacio. Las regiones activas en el Sol son las principales regiones fuente de eventos eruptivos solares. Por lo tanto, la detección automática de regiones activas es importante no solo para la observación de rutina, sino también para el pronóstico de la actividad solar. En la actualidad, las regiones activas se extraen manual o automáticamente utilizando técnicas tradicionales de procesamiento de imágenes. Dado que las regiones activas evolucionan dinámicamente, no es fácil diseñar un extractor de características adecuado. En este documento, primero revisamos los métodos comúnmente utilizados para la detección de regiones activas actualmente. Luego, se emplean dos modelos representativos de detección de objetos, faster R-CNN y YOLO V3, para aprender las características de las regiones activas y finalmente establecer un modelo de detección de regiones activas basado en aprendizaje profundo. La evaluación del rendimiento demuestra que la alta precisión de detección de regiones activas se logra con ambos modelos. Además, YOLO V3 es mejor que faster R-CNN en términos de índices de verdaderos positivos (TP) y verdaderos negativos (TN), respectivamente; mientras tanto, el primero es ocho veces más rápido que el segundo.