极光是来自太阳和地球磁层的高能带电粒子流撞击大气层原子和分子而呈现的自然现象,极光图像及序列的研究能获取更多太阳和地球磁场的相互作用的细节及信息,有助于加强了解太阳对地球的影响规律和地球磁层的物理机制。本文针对极光序列以及静态图像进行了研究,主要做了两个方面的工作:一是基于多通道融合和卷积神经网络的极光静态图像的分类;另一个是基于动态池化图像网络的极光序列的分类。在极光静态的图像分类阶段,本文提出了一种基于多通道融合特征和卷积神经网络的分类方法。该方法针对传统特征提取只提取能表述极光图像的某种特定特征,如纹理特征、运动特征、局部特征、全局特征等,导致或多或少丢失极光图像的某些重要表征信息,造成研究效果不够好。本文方法集多种高效表征极光静态图像特征与一体,融合传统特征和深度学习自动学习特征,充分表征极光图像,实现良好的极光图像四分类。在极光图像序列分类阶段,本文提出了一种基于动态图像网络的极光序列分类方法。极光形态随时间推移会进行不断变化,极光图像序列是极光动态信息的载体,内含极光许多丰富信息。本文使用动态图像网络来对极光图像序列进行表述。该方法首先通过动态排名池化函数进行极光图像序列表征,得到极光动态图像;然后,用卷积神经网络进行动态图像特征训练提取特征;最后进行特征分类。以上所提两种方法均在中国北极黄河站的极光观测数据上进行实验,实验结果证明了上述两种方法的可靠性和有效性。