Este artículo presenta un modelo de red neuronal convolucional profunda de extremo a extremo (CNN) para la detección de señales portadoras en el espectro de potencia de banda ancha, denominado centro espectral neto (SCN). Al considerar la secuencia del espectro de potencia de banda ancha como una imagen unidimensional (1D) y cada subportadora en la banda ancha como el objeto objetivo, podemos transformar el problema de detección de señales portadoras en un problema de segmentación semántica en una imagen 1D. Aquí, la tarea principal del problema de detección de señales portadoras se convierte en la regresión del centro de frecuencia (FC) y el ancho de banda (BW). Diseñamos el SCN para clasificar el espectro de potencia de banda ancha como entradas y extraer las características de diferentes escalas de longitud mediante la columna vertebral ResNet. Luego, el cuello de la red de pirámide de características (FPN) fusiona las características y emite las características fusionadas. A continuación, la cabeza de RegNet regresa la predicción de distribución del espectro de potencia (PSD) para FC y la predicción correspondiente de BW. Finalmente, podemos lograr los objetivos de subportadora aplicando supresiones de no máximo (NMS). Además, entrenamos el SCN en un conjunto de datos de simulación y lo validamos en un conjunto de datos de espectro de potencia de banda ancha de satélite real. Como una mejora del método basado en la red completamente convolucional (FCN), el método propuesto emite directamente los resultados de detección sin post-procesamiento. Los extensos resultados experimentales demuestran que el método propuesto puede detectar efectivamente la señal de subportadora en el espectro de potencia de banda ancha y lograr un rendimiento más alto y robusto que los métodos basados en FCN profundos y basados en umbrales.