极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)作为先进的主动式对地观测遥感系统,通过发射水平与垂直两种不同极化方式的电磁波,接收与地物目标相互作用产生的后向散射回波的幅度和相位信息,来得到目标的极化散射特性。通过调整收发电磁波的不同极化组合,极大提高了对于地物目标信息的获取能力。极化SAR影像地物分类作为PolSAR技术应用的重要组成部分,在农业、军事、城市规划、环境保护以及资源开发等领域具有广泛的应用和重要的研究价值。随着近年来深度学习在目标识别、图像分类、自动驾驶等领域取得的卓越成就,越来越多的科研工作者将目光转向了深度学习的应用研究。在遥感影像分类研究方面,深度学习算法也表现出了远超传统影像分类方法的潜力。本文将深度卷积网络应用于极化SAR影像分类,研究将表征地物散射特性的极化分解与深度卷积网络相结合的分类方法,并在充分分析极化SAR影像特性的基础上对深度卷积网络进行了改进,使其能更好地提取极化SAR数据的深层特征,实现较好的分类效果。本文研究工作主要包括以下三个方面:1.介绍了经典的语义分割网络Segnet的基本结构与网络特点,分析了深度学习在极化SAR影像分类研究领域的优势,结合极化SAR伪彩色图像与Segnet网络实现分类任务,并与传统的影像分类方法进行了比较。2.详细介绍了广泛应用的U-net网络,分析了它能够对图像语义信息的充分利用原理,针对极化SAR数据信息在分类任务中不能充分利用的问题,提出了基于多特征结合U-net网络的分类方法,有效地提高了分类精度。3.通过分析Segnet网络与U-net网络各自特点,引入多尺度特征提取的Inception结构,结合超像素分割的后处理,提出了一种基于改进U-net网络的分类方法,可以更好地消除错分孤立点,保持地物边界,提高分类精度。