来自太阳的带电粒子流撞击地球大气层产生的发光现象称为极光。光学观测是研究极光的一种重要手段,我国每年通过全天空成像仪拍摄到数以百万计的极光图像。从这些海量极光数据中检索到感兴趣的极光图像对探索磁层变化以及日地间电磁活动的信息有着巨大研究价值。极光中以弧状极光出现频率最高,将弧状极光进一步细分为单弧和多弧对研究弧状极光有着重要意义。研究极光图像的手段从最初的人工处理到如今的计算机自动识别,主要原因是人工表征图像取决于研究人员的经验,主观性较强,且难以充分表征极光图像。卷积神经网络（Convolutional Neural Networks,CNN）是一种机器自主分层学习极光图像特征的深度学习算法,相比人工处理,简化了特征提取的过程,能更充分的表征极光图像。本文基于CNN对极光图像进行有效表征,实现了极光图像检索和弧状图像细粒度分类。本文的主要成果如下:针对全天空极光图像,本文将极光图像的局部特征与全局特征融合,提出一种基于VGG16特征融合的极光图像检索系统。本文利用了 2003-2004年北极黄河站已标记的全天空极光图像数据集进行检索实验,平均精度均值（mean Average Precision,mAP）达到68.9%。通过与三个常用的深度模型AlexNet,Inception-v4和VGG16进行mAP对比,证明本文提出的方法可以提升极光图像检索效果。此外,本文为了直观展现在大型极光数据的检索结果,将2003-2004年部分全天空极光图像和2004-2009年未标记的全天空极光图像数据集分别作为查询图像和检索数据库,检索结果证明,本文的方法提高了极光图像的视觉匹配度。针对全天空弧状极光图像,本文将卷积注意力模块与VGG16深度模型结合,提出了一种弧状极光图像细粒度分类方法。本文利用了 2003-2004年的全天空弧状极光图像进行实验,单弧正确率达到100%,多弧正确率达到94.5%。通过梯度加权的类激活映射进行极光弧图像特征可视化,证明本文提出的模型在训练过程中可以注意到极光弧的有效区域并进行学习。此外,本文对两种极光弧的发生时间分布规律进行了研究。