极光是太阳风携带的高能带电粒子与地球高空大气层中的中性气体碰撞后产生的,是唯一能够用肉眼看得见的具有极区特征的地球物理现象。对极光形态和演变的系统观测可以获得磁层和日地空间电磁活动的大量信息,有助于深入研究太阳活动对地球的影响方式与程度,对了解空间天气过程的变化规律具有重要意义。模式识别正成为极光图像分类研究的新手段,但还处于起步阶段,有很多问题需要解决,尤其是对未标记样本的利用还不是很普遍。在模式分类问题中,有监督学习需要大量的标记样本,耗费大量的时间做标记,并且人工标记比较主观,而无监督聚类存在模型不够准确的现象。针对上述问题和极光的数据特点,本文采用基于半监督的学习方法:半监督期望最大算法、Self-Training算法和基于图的半监督学习算法。因为极光图像形态复杂,包括扭曲的弧状、射线状、块状、帷幔状等特征,因此,对极光的纹理表征,使用了局部二值模式提取特征。最后实现了基于半监督学习的静态极光图像分类实验。实验结果表明,利用大量未标记样本,只有少量标记样本的情况下,对日侧极光的分类可以取得令人满意的效果。