喉区极光是一种发生在电离层对流喉区附近的极光现象,是极光卵向低纬侧延伸出的南北向分立极光结构。已有研究表明,喉区极光对应磁层顶上频发的、尺度可观的、可能由重联引起的凹陷结构。这种凹陷结构的产生伴随着太阳风-磁层之间的能量与物质交换,可能会产生不可忽略的空间天气效应。利用计算机视觉技术,开发从海量观测数据中准确、高效识别喉区极光结构的方法,对开展喉区极光相关的科学研究及实现喉区极光准实时业务化监测都具有重要意义。本文利用2003-2017年北极黄河站全天空成像仪的极光观测数据建立了喉区极光图像标注数据集。基于密集连接卷积神经网络(Dense Net)对极光图像全局高维表征进行自动学习,首次实现了喉区极光图像的机器识别。模型对喉区极光识别准确率达96%,且具有良好的泛化性能。结果充分表明基于深度学习的图像识别方法适用于从海量极光观测数据中自动识别喉区极光事件。此外,本文也尝试从特征工程的角度分析行星际磁场、太阳风以及地磁指数值等空间环境参数与喉区极光事件间的相关性。引入32个空间环境参数,建立了喉区极光空间环境参数数据集。利用XGBoost算法,以空间环境参数为输入,建立实时判别喉区极光发生与否的分类器模型,同时得到各特征的重要性评分排序。通过与传统物理研究的对比,在影响喉区极光的几个重要性参数如太阳风速度上保持相对一致,并提出喉区极光可能与中纬度地磁扰动指数存在相关关系这一推测。实验结果与相关推论为进一步研究喉区极光的物理机制提供了一定的支持。