当太阳风充分扰动地球磁层时,来自地球磁层和太阳风中的高能带电粒子与上层大气层中的原子以及分子发生相互碰撞,释放出各种可见光,这些可见光就构成了绚丽多彩的极光。不同的极光形态对应着不同的空间物理现象,因此极光影像分类有着重要的研究意义。深度学习技术近年来得到迅速发展,并成功应用于计算机视觉和模式识别等领域。基于此,本论文开展了基于深度学习的极光影像分类方法研究。为了实现极光图像分类,本文提出了基于多尺度卷积核卷积神经网络的极光图像分类方法。首先,在专家眼动数据的引导下进行图像块的提取和优选。然后,利用自编码器从提取到的图像块中学习特征,并用学到的特征对卷积神经网络首个卷积层的卷积核进行初始化。最后,设计了多尺度卷积核卷积神经网络,通过改变首个卷积层上卷积核的大小,在不同尺度进行特征学习,并实现对极光图像的分类。实验结果表明,该方法能够有效地从极光图像中学习特征,并且在极光图像分类数据库上获得了较高的分类准确率。虽然专家眼动注视图能够辅助我们进行极光数据分析,但是眼动数据的获取较为耗时耗力,因此需要根据现有眼动数据学习专家在观察极光图像时的认知过程,对极光专家眼动注视图进行预测。为此,本文提出了基于全卷积神经网络的极光专家眼动注视图预测方法。首先,为了解决训练数据不足的情况下网络预训练困难的问题,利用量化输入进行全卷积网络的预训练。然后提出了分级注视图的概念,并使用分级注视图训练全卷积网络,得到三种注视图预测结果。最后使用条件随机场对三种注视图预测结果进行融合,得到最终极光专家眼动注视图预测结果。极光是一个连续发生的过程,仅从静态极光图像的角度来对其进行分析是不充分的。还要从极光序列的角度出发,发掘序列中的时间域信息,进行极光序列的分类。为了实现极光序列的分类,本文提出了基于空时域深度神经网络的极光序列分类方法。一方面,通过模拟人类视觉认知过程,结合自上而下和自下而上两种视觉注意力机制提取极光图像在空域上的视觉注意力特征,并以此作为空域网络的输入,在空域上对极光序列进行分类;另一方面,使用长短时记忆网络提取极光序列的时间域信息,利用时域信息对极光序列进行分类。最后对空时域分类结果进行融合,实现对极光序列的分类。实验结果表明,该方法能充分利用极光序列的空时域信息,在分类准确率上较现有极光序列分类方法有着一定的提升。