太阳射电爆发是一种来自太阳的瞬时增强的无线电波,这种高强度信号会严重干扰无线电通信系统和导航系统。太阳射电频谱仪记录了太阳射电波段中的太阳射电辐射强度,是研究太阳射电爆发的主要设备。对太阳射电爆发进行研究有利于促进人类对太阳活动的认知,保证人类生活的正常进行。太阳物理研究中,需要重点研究太阳的爆发现象,而太阳射电频谱是太阳活动在无线电波段的观测结果。传统的通过人工分析射电频谱找出太阳射电爆发的方式,针对每天产生的大量射电数据的情况,其效率低,时间滞后。在当前计算机计算性能高速发展的时代,如果能自动实时地对太阳射电频谱进行分类,将对空间天气预警及太阳物理研究产生积极意义。基于深度学习的太阳射电频谱自动分类技术的研究已经取得了一些进展。然而,现有的研究方案把太阳射电频谱图所具有的时空特性分离开,没有同时考虑频谱图像的空间和时序特征。本文将同时分析太阳射电频谱图所包含的时空特征,来对其进行自动分类。本文主要工作概括如下:（1）对于数据集样本不均衡和样本数量少的问题,根据太阳射电频谱图本身特征对数据集进行了扩充;由于太阳射电频谱图具有噪声和部分冗余信息,本文采用频谱归一化、下采样对太阳射电频谱进行预处理,这有利于网络学习;（2）为了同时考虑频谱图像的空间和时序特征,采用卷积长短时记忆神经网络（Conv LSTM）对进行太阳射电频谱进行分类,获得了高于其他方法的分类准确率;（3）考虑到传统方法中,研究人员主要通过观察频谱图中的显著区域来划分太阳射电频谱类型,本文在使用卷积长短时记忆网络的基础上引入了空间注意力机制来捕捉太阳射电频谱图的局部特征,实验结果表明了方法的有效性。