空间天气是由太阳剧烈活动造成的影响地球磁层、电离层和中高层大气、卫星运行和安全、及人类健康的气象状态。耀斑是太阳活动导致的空间天气事件的主要成因，气象学界对耀斑事件的预报已经积累了许多成功的经验。当前，随着深度学习的迅猛发展及其在传统领域应用的不断扩展，空间天气领域也正在探索以深度学习方法为基础的预警预报模型。但面对这些细分场景时，深度学习对数据量的要求、对知识的迁移性较差阻碍了模型性能的进一步提升，而元学习正是能解决该问题的方法,其希望模型在少量样本的情况下将从一些类别上获得的经验成功运用在新的类别中。综上，本文以耀斑预报为研究任务，以深度学习和元学习作为研究方法，具体来讲：

在数据层面，日面图像的静态信息只能展示出活动区的大小、分布、位置、形状等特征，仅以此为判断依据，无法利用活动区的形变过程中蕴含的动态信息。针对该问题，本文以193波段构建包含动态信息的日面视频数据集，通过数据采集时刻与耀斑爆发时刻的差值预测15分钟内的耀斑爆发情况，对数据集进行数据分布、爆发位置区域的静态分析，通过运动历史图描述、光流法提取动态信息。

在方法层面，首先利用深度学习模型，在动静结合的多尺度信息加持下使用I3D网络将耀斑预报任务转换为视频分类任务，并在此基础上提出参数量相比原网络大大减少的Mini\_I3D。然后提出两种元学习模型。针对度量中心定位不准确问题，提出无监督信息的度量模型，引入嵌入后的查询集数据特征，在特征空间中将支持集数据也以无监督信息的形式与查询集特征一起聚类，通过类中心的移动使得度量中心更加符合当前空间的特征分布。利用多维缩放将真实的高维特征数据降维到3维空间中，清晰的展示度量中心移动的过程。针对生成式度量模型难以训练的问题，提出一种单位卷积核初始化方法，对VGG16网络的权重按照网络层次进行分析，并将中心卷积核作为单位卷积核用于生成式模型中权重生成器的初始化。

在结果分析中，对深度学习模型，从不同时间尺度、数据集分割方式、大小网络三方面进行结果比较，得到了在当前任务下的基本效果。在此基础上构建适用于元学习的日面图像数据集，探索了元学习任务不同配置对预报结果的影响，其中度量模型在shot数目越高时表现越好，生成式度量模型对shot数目不敏感。在文中提到的所有模型的结果比较中，度量模型的大部分单项指标都好于I3D模型，在综合指标上的效果获得进一步提升，而生成式度量模型提升了原先分类效果较差的级别性能。综合来看，使用基于度量的元学习模型在该任务上获得了更好的效果。

综上所述，本文利用日面图像数据进行耀斑预报任务，使用度量模型和生成式度量模型提升了传统深度学习模型在该任务上的预报效果，达到满意的指标。