合成孔径雷达（Synthetic Aperture Radar,SAR）是一种有源的、主动发射能量的对地观测系统,具有全天候、全天时工作能力,在海洋冰川监测、地球资源勘测、农作物识别等多种领域都得到了广泛的应用。随着SAR系统的发展,产生了大量高分辨率SAR图像,使SAR图像解译技术变得尤为重要。其中,SAR图像分割一直是SAR图像解译的研究热点之一。传统的SAR图像分割方法往往需要人工参与提取特征,不仅耗时耗力,而且人工选择的特征具有主观性。近年来,随着深度学习的发展,SAR图像语义分割已取得了一定的进展。在光学图像处理领域,端到端的图像语义分割模型已得到深入研究。其中,一些基于全卷积神经网络的语义分割模型被广泛应用。与光学图像不同,SAR图像具有相干斑噪声、目标的边缘模糊等特性,这使得SAR图像语义分割难度更大。虽然,基于深度学习的SAR图像语义分割已取得了一定的成绩,但仍存在两个较为显著的问题。首先,深度学习在训练时需要大量的训练样本,而SAR图像数据通常较少,容易出现过拟合问题。其次,SAR数据为复数数据,常用的深度网络无法充分利用复数数据中的相位信息。为了解决这些问题,本文分别基于U-net和Segnet网络,提出了两种SAR图像语义分割方法,具体内容如下:1)提出了一种基于U-net和胶囊网络（Capsule Network,Caps Net）的SAR图像语义分割方法。该方法在U-net网络的编码和解码部分之间引入胶囊网络,以获取目标的姿态等信息。此外,考虑到SAR图像数据集较小,将U-net编码部分设计成VGG16结构,以便将预训练VGG16模型直接迁移至编码部分。三个极化SAR图像数据集的建筑物目标分割实验结果表明,采用迁移学习技术的基于U-net和胶囊网络的方法比基于U-net的方法,不仅能够获取更高的精确率、召回率、F1分数和交并比,而且能够减少网络模型的训练时间。2)提出了一种基于复数Segnet（Complex-valued Segnet,CV-Segnet）的SAR图像语义分割方法。CV-Segnet网络是Segnet在复数域上的推广,它能够充分利用复数SAR图像的幅度和相位信息进行目标分割。两个极化SAR数据的图像语义分割实验结果表明,CV-Segnet比实数Segnet具有更高的像素准确率、平均像素准确率和平均交并比。