极光是了解大气空间物理的重要窗口,通过对极光形态及其动态过程的研究,可以得到磁层以及日地空间电磁活动的大量信息。随着我国北极全天空数字成像系统的投入使用,每年采集存储的极光图像数以百万,这为极光的研究提供了非常重要的数据来源。面对海量的极光图像,如何对其进行快速有效地处理,分析极光形态和发生机制,是当今极光研究领域的一项重要课题,具有重要的研究意义和应用价值。本文分别对极光的静态图像分类和动态过程分析进行了深入研究。　　在极光静态图像分类的研究中,涉及到高维数据的特征降维。本文提出了一种基于DLA-GPLVM(Discriminative Locality Alignment with Gaussian Process Latent Variable Model)的极光特征降维算法。使用DLA-GPLVM算法对极光的BOW(Bag of Words)特征数据库和两个高维小样本的公共数据库进行降维实验,结果证明,该算法非常适合处理高维小样本数据的特征降维,然而对于高维的大数据降维,不仅费时而且降维效果不佳。　　针对极光大数据的特点,本文提出了一种基于生物启发特征(Biological Inspired Features,BIFs)和流形学习的分类方法,进一步提高了极光静态图像的分类准确率。通过模拟人类视觉注意力机制,提取大脑皮层的视觉特征,并使用流形学习中的 DLA算法对高维 BIFs特征进行维数约减,最后分别使用支持向量机(Support Vector Machine,SVM)和最近邻(Nearest Neihbor,NN)分类器对降维后的BIFs特征进行分类。最终分类实验结果表明,该方法具有分类准确率高,运算复杂度低,鲁棒性强等优点。　　对于形态多变、运动规律复杂的极光过程,仅仅考虑其静态特征是不够的。因此,本文从两个方面来实现极光的动态过程分析,分别是基于格子波尔兹曼(Lattice Boltzmann Method,LBM)的弧状极光序列运动研究和基于重心的极向运动极光结构(Poleward Moving Auroral Forms,PMAFs)识别。对于弧状极光序列的运动,考虑到极光非刚体的特性,使用流体粒子运动来模拟极光粒子的动态过程,从而得到微观粒子的宏观运动参量,通过统计宏观参量,进一步分析弧状极光序列的动态过程;对于PMAFs识别,通过极光序列的重心伪彩图和拟合重心变化斜率,实现重心法快速识别PMAFs事件。实验结果表明,该方法能够较为有效的分析极光动态过程,为后续极光发生机制的研究提供了思路。