极光是由太阳风所携带的高能带电粒子和地球南北两极大气层互相撞击而形成的一种自然发光现象。对极光现象的深入研究不但有助于揭示地球与磁层动力学过程间的关联,还可以预测空间天气的变化。极光图像分类作为极光物理研究中的一个重要分支。近年来,随着深度学习技术的迅速发展,越来越多的研究人员将其应用到了极光图像分类任务中,并取得了显著的效果。目前的极光图像分类研究主要集中在有大量标记样本的常见极光类型上,分类性能严重依赖大量标记数据对深度神经网络参数进行监督训练,其对大量标记样本的需求制约着模型性能的发挥,标记样本不足会导致模型出现过拟合或性能不佳等问题。然而,在许多情况下,例如稀有极光或新发现的极光类型,在研究初期获得足够多的类别标签是不实际的,这严重阻碍了后续研究的相关进展。此外,由于极光是一种逐步演化的自然现象,其在南北极上空的演化过程中存在很多过渡状态,一幅极光图像中常常呈现出多种极光类型共存的现象。然而目前的极光图像分类研究都是基于单标签的形式展开的,每幅极光图像只标注了一种类型,仍存在一些其它的语义信息没有被标注出来。这不仅未能全面地描述出极光图像所蕴含的丰富语义信息,造成了图像资源的浪费,还会影响后续极光产生机制的研究。因此,本文以中国北极黄河站观测到的G波段（557.7nm）全天空极光图像数据为研究对象,开展极光图像小样本分类和多标签分类研究。在极光图像的小样本分类研究中,本文提出了一种基于小样本学习的极光图像分类方案,仅用少量标记样本实现了对极光新类别的快速分类。由于极光观测数据都是由地面的全天空成像仪收集的,类与类之间的域差很小。因此本文充分利用模型在以往极光图像分类研究中标记的常见极光类型数据上学习到的参数作为先验知识,将其整合到标记样本量较少的新类别上,用于对其有效表征。通过计算样本间的余弦相似度完成对新类别的自动识别,避免了因新类别标记样本过少而导致的过拟合现象。当每个极光新类别分别提供一个和五个标记样本时,本文所提方案在新类别数据集上的平均分类精度分别达到了87.14%和95.33%。极光图像检索和发生分布规律统计实验进一步证明了该方案不仅有效而且切实可行。大量实验结果表明,该方案为极光图像的自动分类和检索提供了一种新思路,特别是那些标记样本较少的类别。在极光的多标签分类研究中,本文根据极光数据的特点,结合Res Net、双线性特征和残差注意力机制,提出了一种多标签分类网络（Hierarchical Attention Network,HANet）实现了对极光图像的多标签自动分类。首先将极光图像送入在Image Net上预训练过的Res Net中提取不同卷积层的深层极光特征。一方面通过对不同卷积层提取到的特征进行跨层交互,借助层间的互补信息生成更细粒度的极光双线性特征,接着整合多个跨层双线性特征来增强模型的表征能力。另一方面利用残差注意力机制细化级联后的双线性特征,使得模型能够自适应地定位到各个极光类别的局部判别性区域。本文通过消融实验、特征可视化、以及将HANet与主流的多标签分类算法进行比较,证实了HANet在极光图像多标签分类任务上的有效性。