极光是发生在地球南北极高空的一种大规模放电现象,蕴含着丰富的物理意义,研究极光的产生机制有助于深入探讨地球磁层的变化规律和日地空间的电磁活动。随着各种观测手段的不断发展,获取到的极光图像数量大幅增加,如何根据形态对它们进行分类成为了一个重要的研究方向。早期的极光图像分类主要依靠目视判别和手动标记,计算机技术的成熟为实现快速自动化分类提供了可能。虽然学者们已经提出了一些基于计算机视觉的极光图像分类方法,例如傅立叶变换、局部Gabor特征、形态学分析、特征编码、主题模型等,然而这些方法大多只针对极光的单一特征,很难对极光图像做出全面准确的描述。为了解决传统方法中存在的特征维度过高、分类精度较低、普适性较弱等问题,本文提出了一种基于多特征潜在狄利克雷分布的极光图像分类方法,主要的研究内容和创新之处包括:(1)系统地概括了当前用于极光图像分类的主流方法,阐述了概率主题模型的基本理论、发展历程和应用现状,介绍了常用的图像特征提取方法和分类器。(2)提出基于多特征潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)模型的极光图像分类方法。选择灰度、结构、纹理等多种特征对极光图像进行描述,并在特征融合前将它们统一转化成一维直方图的表达形式,增强了模型的普适性。在LDA模型的基础上进行改进,使用相同的狄利克雷先验分布为不同特征分别生成主题空间,减小了因特征分布不同而带来的影响。在分类的过程中引入生成区分混合策略,提升了分类效果。(3)根据中国极地研究中心的分类标准,自主构建极光图像数据集,并在该数据集上开展实验。实验结果证明和传统方法相比,基于多特征LDA模型的极光图像分类方法可以取得更高的分类精度,同时保持较低的特征维度,在处理复杂的极光形态时具有更大优势。实验还表明不同的特征组合会对分类结果产生显著的影响,相关的参数敏感度分析显示该模型在主题个数变化的情况下,能够保持较好的稳定性。在对未知样本进行类别标记时,基于多特征LDA模型的极光图像分类方法仍然有效,进一步反映了模型的普遍适用性。本文探索了一种更加准确高效的极光图像分类方法,能更充分地挖掘极光图像的潜在信息,对于极地大气空间物理研究具有一定的参考价值。