合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式相干成像雷达,能够全天时、全天候的对目标区域进行成像,为光学遥感图像提供了极为丰富的信息补充。但是其相干成像的方式使得最终得到的SAR图像中会存在剧烈且随机波动的相干斑噪声,严重地影响了SAR图像的后续应用。因此,对SAR图像相干斑抑制进行研究具有重要的实际意义。传统的SAR图像抑斑算法为了获得高质量的抑斑结果,往往都引入了复杂的优化问题,不仅运算量大,消耗时间多,通常还需要一定经验来设置诸多的超参数。相比之下,基于深度学习的SAR图像抑斑算法不仅可以从大量的数据中自动提取图像的特征,而且可以通过GPU对网络前向传播过程进行大规模加速,因此其抑斑性能和效率相比传统算法都有所提升。所以本文选择以深度学习理论为基础,对SAR图像抑斑算法进行研究,本文的创新性工作主要包含以下两个部分:(1)提出了一种基于简化密集连接的SAR图像抑斑网络结构。已有的SAR图像抑斑网络结构普遍简单、没有有效利用网络浅层提取的纹理特征而且残差连接存在部分局限性。为了获得抑斑性能更好的网络,本文首先通过引入密集连接,在局部网络层之间实现特征复用构成稠密块;考虑到网络的计算效率,提出简化密集连接来减少稠密块内不必要的连接;然后在稠密块间加入简化密集连接实现整个网络的特征复用,从而有效地利用网络浅层提取的纹理特征;最后通过分析相干斑噪声模型,在网络中加入全局和局部残差连接得到最终网络结构。(2)在第一部分设计的网络结构基础上,为了进一步提升网络的抑斑性能,提出了深度学习和小波变换相结合的SAR图像抑斑算法。小波变换具有优秀的时频分析能力,能够同时将SAR图像的相干斑噪声和纹理细节集中在高频子带。因此,我们使用小波系数代替原图作为网络的输入,一方面通过对不同的子带设置约束能力不同的损失函数,引导网络侧重于对高频系数的还原,实现了有效抑制相干斑噪声的同时较好地保留图像的纹理细节,从而提高了网络的抑斑性能;另一方面,将小波系数作为网络输入时可以减小特征图的尺寸,从而有效减少网络计算量,加快网络运行速度。实验结果表明,本文提出的SAR图像抑斑算法,无论在抑斑效果、图像纹理结构的保持还是处理效率方面都有着出色的表现。