合成孔径雷达成像系统(Synthetic aperture Radar,SAR)不但具有全天候全时段,不受云雾雨雪干扰的工作能力,且能够提供丰富的地物信息。因此SAR图像在目标检测,分类方面具有突出的优势,被广泛应用于农业评估、军事侦察、环境监测、灾害预警以及地质勘探等诸多方面。SAR图像解译是遥感领域的重要研究课题,而SAR图像分类是SAR图像解译的基础,并在近年来受到广泛的关注与研究。然而,SAR图像由于其独特的成像特性,在具备大量地物信息的同时也提高了对其进行图像解译的难度。同时相干斑噪声的存在更降低了传统研究方法对于SAR图像分类和解译等操作的准确性。因此,研究SAR图像分类算法具有重要的理论意义和实用价值。本文主要研究的是基于深度学习的SAR图像分类算法,同时展开了噪声对于SAR图像分类性能干扰的研究。深度学习通过对SAR图像的多层次特征学习,从SAR的低层次特征中逐渐学习得到抽象的高层次特征,实现对SAR图像的深层特征提取。针对SAR图像中相干斑噪声的存在,相干斑去噪技术的应用可以有效降低其对于图像内容及特征的影响,从而提高了提取特征的分辨能力。针对上述问题,本文总结了多种相干斑去噪方法对于SAR图像分类的影响,并应用深度学习方法对SAR图像进行分类研究,并分析实验结果。文章的主要工作如下:1)针对SAR中相干斑噪声对于深度学习模型的影响展开了研究。首先建立了一种基于深度置信网络的SAR图像分类算法。针对图像中已知类型区域,通过深度置信网络学习SAR图像中不同区域的特征,从而完成对SAR图像未知类型区域的分类。针对SAR图像中相干斑噪声的影响,文章也在不同噪声水平的合成SAR图像分类展开了对比性研究。同时,文章分别应用了不同滤波方法抑制相干斑噪声,从而分析噪声对于深度置信网络分类的影响。2)提出了一种基于区域滤波和深度置信网络的SAR图像分类算法。首先通过各向异性纹理分析实现了针对不同区域的划分,并针对不同区域采取不同的滤波策略从而提高不同区域的差异性,然后通过DBN挖掘提取SAR图像的深层特征,并应用到SAR图像的分类当中。该算法将相干斑去噪技术和深度置信网络相结合,在通过深度置信网络对SAR图像进行无监督的学习和特征提取的同时,提出了区域滤波的方法来减少相干斑噪声对分类结果的影响,并提高了深度置信网络对于图像边缘区域和匀质区域的识别能力。为了验证本文提出的SAR图像分类算法的性能优势,利用仿真SAR图像和实测SAR图像进行了对比实验。实验结果表明:对比于其它SAR图像分类算法,本文提出的算法具备更高的识别精度,同时对于SAR图像中不同区域具备更好的分类效果。