太阳爆发活动会对地球产生严重的影响甚至会使通讯器材和导航系统紊乱,同时伴随着许多射电现象,而这些现象能够反馈大量与太阳活动紧密相关的参数特征,因此太阳射电研究有着广阔的科研和应用前景。由于高性能观测设备的投入,获取的太阳射电频谱图像数据量的海量增长对于自动化数据分析提出了更高的要求。随着深度学习的发展,采用深度学习技术对太阳射电频谱图像特征的提取和分类识别开始被广泛研究。本文介绍了现有的太阳射电分类方法,采用多种图像处理技术对太阳射电频谱数据进行预处理,并针对太阳射电频谱图像数据的特点,将深度学习应用到该分类任务中。首先,对于太阳射电频谱图像数据库中的数据,本文通过尺度变换、归一化等方式进行预处理,同时采用样本扩增技术较好的解决了样本不平衡问题,在此基础上使用卷积神经网络,通过优化网络结构有效提升了太阳射电频谱图像的分类效果。针对太阳射电爆发类型中的Ⅲ型爆发和Ⅳ型爆发,采用图像分割、图像去噪、图像增强等手段对太阳射电爆发频谱图像进行预处理,使得爆发频谱图像的特征更加明显,方便后续模型的训练,然后构建了卷积神经网络模型CNN,取得了95.35%的分类准确率;在此基础上引入了长短时记忆网络模型LSTM,并构建了联合卷积的长短时记忆网络模型CNN-LSTM,并在耗时差别不大的情况下取得了比普通卷积网络更优的图像识别效果,使识别率达到了96.91%。实验结果表明本文的方法有效提升了太阳爆发类型分类的效果。