极向运动极光（Poleward moving auroras,PMAs）是日侧极隙区最为常见的一种典型日侧极光现象,与日侧磁连通量传输事件有着密切的联系,对研究极隙区极光及磁层边界层动力学过程有着非常重要的意义。通过研究PMAs可以获得地球磁层以及日地空间电磁活动的大量信息,有助于探索行星际磁场与磁层动力学过程的对应关系以及可能对应的物理过程。我国北极黄河站搭载的高分辨率光学成像设备能够持续不断地观测记录极光的二维形态信息,每年都能获取数百万的极光图像数据,为研究极光的演变过程提供了丰富的数据资源。但是,人工分析的方法面对这些庞大的数据量显得束手无策,以至于很多极光数据成为闲置资源。因此,探索有效的极光数据自动化处理技术是目前极光研究人员亟待解决的问题。极光运动具有流体特性,其结构复杂、运动形式多变,与其他传统的深度学习研究领域中使用的数据存在很大的差异,这使得很多现有的计算机视觉技术受到了限制。本文基于对极光数据的长期观察和研究,提出了基于卷积神经网络的无监督极光光流场估计模型和双流PMAs识别模型,能够有效地对极光运动进行表征,实现从海量的ASI图像数据中自动识别PMAs事件。在极光光流场估计任务中,本文在不使用任何人工标记数据的前提下,以无监督的方式实现了像素级的极光运动表征,避免了 ASI极光图像数据缺少训练标签的问题;本文考虑极光运动的流体性质,将Census变换算法运用到极光图像中,补偿极光运动过程中加性和乘性的亮度变化以及伽马变化,为极光光流场估计提供了一个对亮度鲁棒的一致性假设,不再依赖传统的亮度不变假设;受现实场景中物体遮挡问题的启发,本文设计了一个极光形变检测模块,基于双向光流检测极光的形变区域,通过在损失函数中屏蔽形变像素的方式,使得模型能够更好地学习有效的特征信息;值得一提的是,针对极光图像中的形变区域较大的问题,本文设计了一个简单的形变约束项,用于使模型更准确地检测极光形变。定性与定量的实验结果表明,本文提出的无监督极光光流场估计模型（UnAurFlow）能够有效表征极光运动,与现有的无监督光流估计算法相比,UnAurFlow模型对极光运动的表征能力更强,在北极黄河站四天的ASI极光观测数据上获得了最高的PMAs识别准确率。在PMAs自动识别任务中,本文提出了一个包含时空网络和时序网络的双流PMAs识别模型。首先,时空网络以ASI图像序列作为输入,以ResNet-18作为基础网络,结合时序移位模块联合学习PMAs事件中的时序信息与空间信息,解决了现有双流方法中的空间网络无法实现时序建模而PMAs事件的主要特征在于运动特征信息的问题;其次,时序网络以UnAurFlow模型提取的极光光流场作为输入,使用ResNet-18作为基础网络,考虑极光序列中的运动多样性,结合CBAM增强时序网络对重要运动特征的学习能力;最后,本文融合时空网络与时序网络作为双流PMAs识别模型。实验结果表明,本文提出的双流PMAs识别模型取得了比现有基于2DCNNs的双流方法更好的性能,能够实现从海量极光数据中自动识别PMAs事件。