太阳射电是太阳上发生一种急剧突变的无线电辐射过程,通常分为宁静射电、缓变射电和太阳射电爆发。太阳射电爆发是突发性的太阳活动,剧烈的活动会引起太阳的质子爆发、X射线爆发或太阳耀斑爆发等现象同时发生,由于活动中辐射出大量的强射电波,能引起如电离层骚扰,磁暴等一系列有重要影响的地球物理现象,对影响航天器、通讯、电力等现代化技术系统的正常运行,因此,我们需要从观测数据中选出太阳射电爆发的数据进行研究,通过观察和研究太阳射电爆发时候的射电频谱图,可以学习太阳射电爆发时的特征,以及了解太阳射电爆发的规律,有利于我们更好的了解太阳的活动以及日地关系,有着很好的研究价值和意义。在关于太阳射电爆发的分类问题的研究中,本文在分析现有的太阳射电频谱分类问题的研究基础上,提出了改进的方法。本文的主要工作如下:首先,对太阳射电频谱图预处理。由于在接收太阳射电频谱数据的过程中难免受到接受仪器自身各个通道相干扰、空间电磁波干扰等,使得我们得到的频谱图像中存在大量的噪声,频谱图像中显示出大量的横条纹干扰以及其他噪声,会影响我们提取图像真实的信息,将噪声错认为爆发信息、噪声掩盖了真实的爆发信息从而造成信息的遗漏。本文使用通道归一化去除各种外部环境因素的干扰和仪器本身的通道效应造成的横条纹干扰,运用引导滤波保护爆发边缘信息不被模糊。并对图像最大最小值归一化来消除其他函数变换对图像造成的影响。然后,针对本数据集中各类数据样本数量不均衡的问题,我们提出了两种解决办法。第一是生成新样本和样本重采样的方法来补充样本量少的数据类别,第二是用加权交叉熵损失函数提升少样本类别对损失的贡献程度,使网络在训练过程中更关注样本量少的数据类别。最后,将具有良好特征提取性能的卷积神经网络引入到本文所研究的太阳射电频谱分类的问题,根据本文实验中太阳射电频谱图的特点,提出了一种竖直型的卷积核代替传统的卷积核提取特征,以提高对射电频谱图像特征提取的准确性,有益于网络学习和训练来更准确的对太阳射电频谱图进行分类。本文用所提方法对中国科学院国家天文台怀柔观测基地所提供的数据进行实验。实验结果表明,与其他已有的方法相比较,本文所提方法能够获得更良好的分类准确性。