合成孔径雷达(Synthetic Aperture Radar,SAR)是具有全天时、全天候的工作模式和多通道、多参数的工作特点的雷达技术。极化SAR地物分类是雷达图像解译的重要工作。随着极化SAR技术的飞速发展,大量极化SAR数据涌现,对于极化SAR图像进行快速解译分类的需求也越来越大。K-shot学习是元学习的重要应用,它解决测试样本集合中样本极端少的问题,通过采样训练样本集合中的样本进行元学习与训练,得以在具有未训练类别的测试样本集上得到较好的分类结果。使用K-shot学习方法解决极化SAR地物分类可以满足对快速解译极化SAR图像场景下的小样本需求。本文围绕极化SAR雷达图像的快速分类和降低有标签样本依赖的需求,提出使用K-shot学习的极化SAR地物分类方法,论文分析使用K-shot学习进行极化SAR地物分类的可行性,并提出了适用于极化SAR数据处理的地物分类方法。论文的研究成果如下:针对极化SAR数据快速解译和有标记样本较少的问题,本文提出使用K-shot学习的解决策略。传统的无监督极化SAR地物分类方法分类精度较差,有监督算法则一般依赖大规模有标签数据集,半监督方法虽兼顾两者,但需要在现有数据集上进行较长时间的训练。K-shot学习方法可以利用历史数据集训练,对新获取到的数据集上进行少量标注便可直接测试。这种方法能降低人工成本与计算时间成本。基于上述思想,论文对基于DN4模型对极化SAR数据的地物分类问题进行了深入分析。DN4模型是一种基于度量学习的K-shot学习模型。利用DN4网络模型直接在Flevoland I数据集上进行训练,在Flevoland II数据集和San Francisco数据集上的测试结果证明了使用K-shot学习方法进行极化SAR地物分类的可行性。针对直接使用DN4模型进行极化SAR地物分类精度较低的问题,本文提出了基于改进DN4模型的极化SAR地物分类方法。为了解决极化SAR数据中普遍存在的匀质区域中样本相似程度较高,而非匀质区域中类间差异大的特点,本文提出联合使用交叉熵损失函数与Hinge Loss损失函数,构造了基于迭代次数的线性组合损失函数。实验结果证明,采用线性组合的损失函数可以提高在极化SAR数据集上的分类精度,甚至超过了在测试集上直接训练的先进极化SAR地物分类方法。针对基于DN4模型的极化SAR地物分类方法中样本选择敏感的问题,本文提出了基于邻域最小生成树样本选择的改进算法。使用基于邻域最小生成树的样本选择算法可以较多选择距离样本类别中心的样本,提升支撑集合中有标签样本的代表性,从而提升模型的分类能力。