极光是出现在地球南北极高纬地区的一种典型高空大气现象,它能直接反映出地球磁场变化和太阳活动之间的联系。通过对极光图像进行有效的分类,并研究不同类型极光的发生规律,能帮助人们研究极光的发生机制和磁层边界层动力学过程,对深入研究地球磁层结构和日地能量耦合过程也具有重要意义。长期的极光观测产生了海量的极光数据图像,并且每年仍以数千万的数量持续增加。现有的极光图像分类研究主要采用人工分析或强监督分类方式,而不同极光台站、不同极光观测设备采集的极光图像时空分辨率均不同,仅依靠人眼识别或是基于大量标记数据的强监督极光图像分类算法已无法满足海量极光图像处理的需求。因此,如何在使用少量标记数据或不使用标记数据的情况下,对极光图像进行高效、准确、合理的分类是极光研究领域的重要研究课题。本文在结合极光图像特点后研究了仅需少量标签的极光图像半监督分类和无需标签的极光图像无监督聚类,将深度学习技术应用于极光图像半监督分类和无监督聚类中。在极光图像半监督分类研究中,本文利用半监督阶梯网络（Semi-Supervised Ladder Network）对全天空极光图像进行半监督分类。该网络通过大量无标签样本以及少量有标签样本训练后具备良好的分类能力。本文利用半监督阶梯网络对中国北极黄河站日侧全天空极光图像进行了两组分类实验,第一组实验对无极光图像、云图像和有极光图像进行半监督分类,第二组实验对弧状极光图像、帷幔冕状极光图像、热点状极光图像和辐射冕状极光图像进行半监督分类,两组实验在训练数据样本中有标签占比为10%、20%和30%时均得到较高的分类准确率。通过对有标签样本不同占比下的分类准确率和结果分析,证明了该分类方法的有效性。在极光图像无监督聚类研究中,本文提出了一种基于深度学习技术的极光图像聚类网络（Auroral Image Clustering Network,AICNet）用于对全天空极光图像进行无监督聚类。该网络在指定聚类簇的数目后,由深度卷积自动编码器自主提取极光图像特征,通过聚类网络将具有类似特征的极光图像自动分为一类。AICNet不仅避免了分类机制的人为指定,也无需人工标记数据,使得极光图像分类更加客观、高效。本文从2003-2008年中国北极黄河站采集的日侧全天空极光图像中随机抽取了 4000幅图像进行聚类实验,通过计算3种聚类有效性指标得到极光的最优化分是将其聚为两类。本文通过对提取的极光图像特征进行可视化、统计聚类结果中各类极光的发生时间规律、分析对比聚类结果中两类极光的形态结构等方面证明了所提出聚类方法的有效性。