极化SAR (Polarimetric Synthetic Aperture Radar)是一种相干多通道、全天候的雷达成像系统,已成为国际对地观测领域的重要方向之一。极化SAR有单极化和全极化之分,与单极化合成孔径雷达相比,全极化SAR包含了更多有利于地物分类的极化信息,使极化SAR影像地物分类成为国内外学者研究的重点。本文深入研究了极化SAR影像地物分类方法,以散射特征、偏振特征和邻域信息特征为基础,结合深度学习和SVM分类器提出了三种极化SAR影像地物分类方法,主要工作如下：(1)提出了一种基于深度PCA网络的极化SAR影像地物分类方法。此方法首先以每个像素为分类单元,提取多种散射特征、偏振特征以及原始协方差数据元素等,进行组合归一化后作为深度PCA(Principal Component Analys is)网络的输入,使得深度PCA网络中有效融入了极化SAR影像的散射机理和极化特征。然后,通过训练深度PCA网络对极化SAR影像由初级到高级多层提取特征,保证了所学习特征的有效性和准确性。最后,进行分类和准确率计算,并输出。实验表明,该算法能进一步提升分类精度,改善影像分类质量。(2)提出了一种基于深度RPCA(Robust Principal Component Analysis)网络的极化SAR影像地物分类方法。该方法首先以每个像素为分类单元,将提取到的散射特征、偏振特征与邻域信息特征等进行组合归一化后作为深度RPCA网络的输入,并将低秩的思想运用到了深度RPCA网络中,训练深度RPCA网络,利用SVM(Support Vector Machine)分类器进行分类。该方法充分利用了极化SAR数据不同于其他数据的散射特性、极化特性和空间邻域特性,且进一步提高了深度RPCA网络的鲁棒性。对比试验表明,本文的方法有着更高的客观评价指标,并且进一步提高了分类效果。(3)提出了一种基于超像素表示和重要采样的深度RPCA网络。针对同质区域的一致性保持较差和大量训练样本问题,将超像素的表示成功运用到该算法中,并且基于超像素表示对训练样本进行重要采样,训练深度RPCA网络,在影像分类中将基于单一像素的分类方式转换为基于超像素的分类方式,该方法对地物的划分更为精细、准确,且同质区域更完整,视觉效果好,进一步提高了极化SAR影像的分类正确率、改善了图像质量。