近现代以来的研究发现,极光现象与太阳风、地球磁层等信息密切相关,可以帮助人们对空间天气进行研究预测。随着极光采集设备的改进和更新,极光数据的数量越来越庞大,传统的人工标注和分析早已不能满足极地研究者对极光现象探索的需求。基于此,本文利用图像处理、机器学习和模式识别等相关技术,实现了对大数据的静态极光图像和极光序列的有效分类,为后续的极地研究提供了可靠的依据。极光图像不同于我们常见的自然图像,现有的方法往往不能有效提取极光图像特征。基于此,本文提出了一种基于二维主成分分析网络的极光图像分类方法。该算法将二维主成分分析算法进行多级级联,形成一个深层的二维主成分分析网络。首先利用二维主成分分析网络对原始极光图像进行多层特征提取,然后利用支持向量机分类器对提取到的特征进行分类,获得其最终分类结果。经过实验验证,该算法在极光图像分类上取得了较高的分类准确率。极光序列可以反映出一些极光特殊事件,而这些特殊事件的发生往往又蕴含了更深层的极光物理发生机制。因此,对于极光视频序列的有效检测将会为极地研究者提供更为丰富的极光统计数据。基于此,本文在上一章极光图像分类算法的基础上提出了一种三维主成分分析网络的极光序列分类算法。该算法利用三维主成分分析法对极光序列进行特征提取,并将原有的二维卷积方式改进为三维卷积,最后利用支持向量机分类器对极光序列进行分类。该方法在保持极光序列原有空间维度信息的同时还结合了其时间维度信息,从而对极光序列进行了更好的表征。通过对比实验表明,该算法能够取得较高的分类准确率。通过对极光序列的观察分析发现,极光作为一种自然数据,具有较为明显的动态纹理特征。针对极光序列的动态纹理特征,改进了目前对纹理特征描述较为有效的局部二值模式方法,提出了更适合极光数据特性的球状鲁棒序列局部二值模式。通过将球状鲁棒序列局部二值模式与三维主成分分析网络相结合,提出了一种基于球状鲁棒序列局部二值模式特征序列三维主成分分析网络的极光序列分类方法。该方法首先通过球状鲁棒序列局部二值模式对极光序列进行特征提取,然后将提取到的特征序列输入三维主成分分析网络进行进一步的特征提取,并最终利用支持向量机分类器实现了对极光序列的分类。实验结果表明该方法提高了极光序列的分类准确率。