极光是由沿着磁力线运动的高能带电粒子与极区高空大气发生碰撞激发了大气中的中性粒子而产生的一种自然现象。极光现象集中的反映了太阳风的高能粒子进入极地区域的动态过程,是日地能量耦合系统中的一个非常重要的物理现象。极光的形态各异,不同的形态其形成的物理过程和具有的物理特性也各不相同。对极光进行合理的分类有助于我们研究极光的发生机制以及极光与磁层动力学过程之间的关系。自上个世纪五十年代以来,各国的科研爱好者对极光的研究就从未停止,但是人们对于不同极光形态背后的详细物理过程及其形成机制的理解依然不够全面透彻,极光分类研究一直是这一领域的研究热点。近年来越来越多的科研工作者将计算机图像处理和模式识别技术引入到空间物理学中用来实现对图像数据的表征和分析,这一手段也被应用到极光分类的研究领域中并取得了显著成效。现有的极光分类方法有的是基于轮廓对极光图像分类,有的是基于子空间的方法对极光图像进行分类,有的则更加关注极光图像的纹理信息,近年来还有一些研究人员将人类感官系统和心理学与极光图像的分类联系起来。其中绝大多数是基于一些局部不变描述符提取极光图像的局部特征实现极光图像的自动分类。这些分类方法均取得了一些不错的分类效果,但是这些局部特征对噪声干扰以及极光图像的位置、方向等变化较为敏感,很难满足实际应用中对特征描述符具有较好鲁棒性的要求。针对这一问题,本文提出一种新的基于全局特征的极光图像分类方法。首先,对预处理后的极光图像进行Radon变换将其投影到Radon域,然后,计算投影矩阵中每列的方差作为特征,同时为了实现方向变化不变性,对该方差序列进行循环移位使得该序列方差最大的值居于首位,获得旋转不变特征,最后,应用基于欧氏距离的K近邻分类器实现极光图像分类。为了证实本文所提方法的优秀表征能力,文中设计了对比实验将本文方法与现有的其他的基于全局特征的方法和现有的基于局部特征的分类方法进行比较。实验结果表明,该方法分类精度明显高于现有的其他方法,对噪声干扰及极光图像位置、方向变化具有较好的鲁棒性,同时计算效率也较其他特征提取方法有了显著提升。