极光作为极区地磁活动最直观的表现形式,是日地空间物理领域的重要研究课题之一。极光的全局形态信息可由天基光学成像仪采集。天基紫外成像能观测极光的不同形态结构,其中极光卵呈现最主要的极光分布特征,而极盖弧是独立于极光卵的一种典型局域极光结构。极光卵和极盖弧的形态包含较多有价值的空间物理信息,在极光研究中具有重要意义。对极光卵和极盖弧形态的自动化提取是利用紫外观测图像数据进行相关物理研究的高效手段。对于紫外观测极光卵形态自动化提取,现有的研究工作主要基于传统图像分割方法或无监督机器学习方法,在提取精度方面存在一定的局限性。针对此问题,本文引入近年来快速发展的图像分割深度学习方法,提出一种新的基于U-Net的形态自动化提取模型。在Polar卫星紫外极光图像数据上的对比实验结果表明,所提出方法相比现有的极光卵形态提取算法精度更高,对完整型极光卵图像和缺口型极光卵图像均能得到更加精细的提取结果,特别是面对强日辉干扰、灰度不均匀和对比度低情况下的极光图像时,该方法证明了其在抗噪和弱边缘识别性能上的显著优势。针对紫外观测极盖弧形态提取仍以人工方式为主流的现状,本文进一步将所提出的模型扩展至极盖弧,实现了在MLAT-MLT坐标系下对极盖弧形态的自动化提取。利用Polar卫星紫外极光图像数据验证了该模型对极盖弧形态提取的有效性,与其他模型结果的对比证明,该模型在紫外观测极光形态提取问题中具有良好的泛化性能。本文研究为大数据下的极光形态自动分析提供可能性,所提出的方法可扩展至紫外观测中其他极光结构的形态自动化提取问题,同时也为日后SMILE卫星紫外极光观测数据的研究提供新的技术积累和应用思路。