极光的形状与诸如行星际磁场和太阳风之类的空间物理过程密切相关,通过对极光进行合理分类,这样可以对理解太阳与地球之间的相互作用以及地球自身磁层的变化有帮助。目前,大多数对极光分类的研究是基于单帧图像的,而对于极光序列的研究还比较少。因此本文主要针对极光序列分类的方向进行研究,对其做了两个方面的工作:一个是基于伪三维残差网络与改进的密集轨迹算法的极光序列分类;另一个是基于属性约束卷积神经网络结合长短期记忆网络的极光序列分类。1、基于伪三维残差网络与改进的密集轨迹(Improved Dense Trajectories,IDT)算法的极光序列分类方法。解决了以往研究中多用传统手工序列特征来表征极光序列但识别准确度不高的问题,引入深度学习中处理序列数据效果较好的三维残差网络提取极光序列深度特征,结合IDT算法提取的传统序列特征,将两者进行融合,从多方面多角度对极光序列进行表征。本文将伪三维卷积网络提取的深度特征与IDT算法提取的传统序列特征结合,使用支持向量机(Support Vector Machine,SVM)对极光序列进行分类,显著提升了分类的效果。同时在后续结合滑动窗口策略完成对未标记极光长序列的自动分段,并进行极光事件检测实验,进一步证明了该方法的有效性。2、基于属性约束卷积神经网络与长短期记忆网络结合的极光序列分类方法。以往对于极光序列分类中基于建模的方法多先提取极光图像手工特征,然后使用如隐马尔可夫等模型进行极光序列建模来进行序列分类。但往往这些图像的手工特征效果不够好,且如隐马尔可夫等建模方法不能考虑到较长序列中的上下文信息。为了解决这些问题,本文结合极光物理性质进一步引入光斑结构属性,提出一种基于属性约束的卷积神经网络提取单帧图像特征,这种结合属性的深度特征较传统特征信息更加丰富兼具全局信息与光斑局部信息,随后引入解决了长期依赖问题的长短期记忆网络对极光序列进行建模并分类,有效提高了极光序列分类的准确率。本部分同样后续结合了滑动窗口策略完成对未标记极光长序列的自动分段,并进行了极光事件检测实验,进一步证明了该方法的有效性。