空间天气是指日地空间中由于太阳活动的爆发而产生的影响地球磁层、电离层和热层空间环境的短时间尺度变化的现象。太阳活动是灾害性空间天气的源头,空间天气预报的一项重要工作就是及时、有效预测太阳爆发活动,特别是太阳耀斑和日冕物质抛射等爆发性事件的发生和演化。太阳黑子及黑子群构成的活动区参数是太阳爆发活动预测的重要指标,研究太阳黑子群的识别和分类是空间天气预报的基础。本文利用太阳动力学观测站所搭载的日震与磁成像仪和大气成像阵列所提供的高分辨率全日面图像,采集了2011年至2018年时间段内太阳黑子数据集,建立了太阳黑子数据库,测量并提取了太阳黑子的特征参数,对太阳黑子类别进行了统计分析。基于机器学习方法,选择了合适的卷积神经网络实现了太阳黑子的自动归类,达到了合理的正确率。基于对太阳黑子磁场的语言描述分类,选择太阳黑子磁分类法,收集了七种不同类型的太阳黑子数据,建立了太阳黑子数据库,并提取了太阳黑子磁场和几何特征相关参数,对其分布进行统计分析。根据太阳黑子磁场强度、黑子长宽、黑子经纬度跨度、黑子面积以及黑子纬度等特征分布可以看出,越复杂的黑子经纬度跨度越大且倾角越大,对黑子磁场强度的统计分析验证了复杂太阳黑子磁场强度更强,根据太阳黑子纬度分布特征可以看出南北纬黑子数量显著不对称,验证了太阳活动南北不对称的特征。为了更有效率地对日面上的黑子群做出准确分类,引入机器学习方法,搭建了合适的卷积神经网络。通过数据增强手段扩充了太阳黑子数据库,利用增强后的数据集训练了所搭建的网络,并优化了网络参数,其中包括随机失活、学习率和迭代次数等,基本实现了自动归类太阳黑子的目的,达到了一定的准确率,并对卷积神经网络的识别精度进行了测试和评估。本文的研究内容为太阳黑子的机器识别和分类提供了一种新的方法,为今后太阳黑子自动分类奠定了基础。