合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像雷达,可安装各个平台上,如飞机、卫星、宇宙飞船等,具有全天时、全天候地对地面实施观测的优势,并具有一定的地表穿透能力,因而可发挥其他遥感手段难以发挥的作用,越来越受到世界各国的重视,已在国民经济、军事国防和科学研究等诸多领域得到了广泛的应用。随着SAR研究技术的进步与深入,基于SAR图像数据的地物分类与解译已经跻身于国内外研究人员的重点研究方向之一。本文先从理论上详细探究了SAR图像的特征提取以及SAR图像分类技术,而且利用实验加以验证。主要研究内容如下所述:(1)首先,本文深入研究了尺度不变特征变换(Scale-invariant feature transform,SIFT)特征描述子和稠密尺度不变特征变换(Dense Scale-invariant feature transform,DSIFT)算法这两种图像特征提取算法,并用实验验证了DSIFT的效果。然而这种算法仍旧存在一些问题,如描述子维数过高导致计算复杂等。本文针对SIFT算法如上缺点做出改进,进一步研究了基于DSIFT算法的SAR-SIFT算法以及DSAR-SIFT算法。然后,通过实验证明,这两种描述子更加适用于SAR图像特征提取。(2)将用于特征提取的DSIFT和DSAR-SIFT描述子,推广到深度学习模型中,研究了基于DSIFT和DSAR-SIFT的深度玻尔兹曼机,通过深度玻尔兹曼机对图像的特征进行了深层次的学习,并用实验验证了其有效性。(3)最后,在此基础上,结合瓶颈特征提取,引入相关向量机(Relevance Vector Machine,RVM)模型,研究出一种基于DSAR-SIFT的深度瓶颈玻尔兹曼向量机方法。通过一前一后两个深度玻尔兹曼机的堆叠,构造瓶颈层向量,并且选取瓶颈层向量作为相关向量机分类器的输入。这种方法针对SAR图像的分类的问题,具有良好的分类性能,获取了良好的效果,满足了SAR图像分类的需求。