对于合成孔径雷达（SAR）数据的处理与解译,极化SAR图像分类任务一直以来都是一个非常关键的研究课题。它在国民生产和生活中的很多方面中都发挥了重要的作用。随着获取遥感数据平台的日益增多和技术的日趋成熟,越来越多的内容复杂的极化SAR图像被得到,传统的分类方法已不能满足快速分析解译的需求。此外,随着机器学习方法尤其是深度学习模型在自然图像处理领域的快速发展,其展示了无可比拟的数据处理和特征学习的能力。机器学习的方法在遥感方面的应用上初露头角便展现出了优异的性能。极化SAR图像具有易受噪声影响、极化散射特性丰富和标记样本个数较少等与自然图像不同的特点。本文从不同形式的极化SAR数据分布情况的分析入手,通过对自编码网络中损失函数的数据重构误差项来建模,从而设计出了一系列专门处理极化SAR数据的网络模型用于完成分类任务。同时,在模型设计中还考虑了像素点的空间邻近关系、利用混淆矩阵定性分析的方法提出的基于局部空间位置信息的后处理步骤和结合极化目标分解参数特性进行表示性学习等的方法。这些研究成果也被国内外同行专家给出了充分的肯定,具体内容概括如下:1.通过分析极化SAR数据矩阵参数特征分布,本文对自编码网络损失函数的数据重构误差项进行重新定义,进而提出基于数据混合分布的自编码网络（MAE）。它可以看作是针对极化SAR数据的无标签监督的特征提取过程。分类可由所学习到的特征和对应的标签信息通过训练分类器完成。其次,考虑到不同层之间的数据分布情况构造了堆栈混合自编码网络（SMAE）。最后,本文通过丢弃提出SMAE的解码过程并与分类器相连接的方式给出了整体分类网络。三幅真实数据集上的实验结果表明:所提出的两种分类方法在总体精度和视觉分类效果上具有较好的一致性,时间效率上也有所提高。2.在极化SAR图像分类任务中,考虑输入数据分布对模型设计影响的同时像素空间位置信息的作用也很重要。因此,像素邻域信息用作输入来训练所提出的MAE。然后,通过丢弃所提出MAE的解码过程并连接分类器给出了整体分类网络。针对预测结果图像存在的误分类现象,混淆矩阵和局部空间位置信息被结合使用并给出了将主要错误分类像素转换的滤波器,从而对分类的结果进行了修正。此外,针对结果图像中分散的错误分类像素点,本文还提出了最大替换滤波器进行了后处理。实验结果表明:空间信息的引入,尤其是使用滤波器作为后处理,给极化SAR图像的分类性能带来了新的判别水平。3.极化分解方法提供了更多关于不同目标散射类型的参数描述信息。并不是所有的极化分解参数对极化SAR图像分类任务都是有益的。为此,本文提出了一种基于Touzi散射向量模型得到的参数直方图的参数排序方法。然后,通过分析参数的加入对分类器总体精度的影响给出了一种参数选择方案。此外,特征值分解的相关参数服从伽马分布。根据所选参数的不同数据分布形式,通过构造不同的数据误差项来修正自编码网络的损失函数,进而提出了一种基于参数分布的改进自编码网络。参数选择对比实验结果表明了所提出的参数选择方案的有效性。分类任务的实验结果揭示了将参数分布考虑到自编码网络中可以提高分类性能。4.极化散射分解的最优参数选择对利用机器学习方法完成极化SAR图像分类任务有着至关重要的作用。为此,本文首先提出了基于跨度的互信息（Sp-MI）计算方式来减轻对像素标签的依赖性。然后,利用人工神经网络分别对根据Sp-MI的值按递增的顺序构成的参数数据输入信息进行分类。最后,根据得到的总体精度的变化趋势而给出的启发式代表性学习方案。根据参数的物理意义和取值范围等信息,一种利用正弦函数映射角度参数的方法被提出并采用最小-最大缩放完成数据矩阵归一化。除支持向量机外,基于人工神经网络的分类器也被用来验证所提出的参数代表性学习和归一化方案的合理性和有效性。分类结果表明了所提出的Sp-MI计算方法的可行性并在分类的整体准确率和视觉效果方面验证了代表性学习方案的有效性。