偏振图像能够反映目标的偏振态空间分布以及辐射度信息,偏振态的变化反映了目标本征特征的变化,这样则有助于改善目标探测和识别效果。因此在军事、农业等领域偏振图像都具有很高的应用前景。在目标识别方面,对于图像中的不同目标进行分类是一个重要的处理环节。如何对偏振图像中的目标进行更好地分类,是一个值得研究的方向。在做目标分类之前,首先将偏振图像进行配准预处理:我们采用从点特征匹配的角度进行特征匹配。对于错配点,结合随机抽样一致性算法进行剔除,最后得到精确配准的图像。接着,进入到后续的处理过程中,将偏振图像的每个像素编码成多通道的信息,从经典的机器学习方法与深度学习分类方法两个角度出发进行分类效果的改进提升研究。对于偏振图像的分类,具体工作内容如下:第一部分,从机器学习方法的角度进行分类实验与改进,在经典的支持向量机方法的基础上,增加了对于空间信息的利用,以提升在偏振图像的分类处理上的准确率。在预处理时,利用三维离散小波变换进行图像的偏振特征提取,再经过概率支持向量机得到每一类的概率输出,最后,为了提升分类性能,实验中利用到了邻近像素的局部相关性。实验结果证明,本文的方法与传统的支持向量机方法对比,分类效果有明显提升。第二部分,采用深度学习的方法进行分类实验,在2D的卷积神经网络的分类基础上,首先,结合了马尔科夫随机场的邻近像素的局部相关性,实验表明偏振图像的分类效果得到一定的提升;接着,将1D、2D、3D三种卷积方法结合起来,先分别将图像块进行1D、2D和3D卷积操作,再将输出的图像块连起来通过全连接层、输出层和马尔科夫随机场进行后续分类。通过实验验证,改进结合1D、2D、3D卷积神经网络的方法相比于原始的2D卷积神经网络对于偏振图像的分类效果有了很好的提升,同时,结合1D、2D、3D卷积神经网络和马尔科夫随机场的综合方法,在所有实验的方法中取得了最好的分类效果。