极化合成孔径雷达(PolSAR)是当下遥感领域最先进的传感器之一,它具备了全天候、全天时、多波段、多极化等独特的成像特质,能够提供具有高分辨率的图像。故在对PolSAR图像的后处理及其解译的过程中可以获取大量有价值的信息。尤其是极化SAR图像的分类任务,作为极化SAR图像解译的重要研究内容,已被广泛应用于地球资源勘查和军事系统领域。对极化SAR图像的分类,所应用的机器学习算法中可分为无监督、有监督和半监督分类算法。无监督分类算法是没有使用任何样本的标签信息,往往模型简单,且正确率较低。监督分类算法则需要大量带标签样本数据,而标签的获取需要耗费大量人力物力。半监督方法结合了无监督和有监督的优点,仅仅利用少量的标签样本就能得到良好的分类效果。虽半监督方法分类效果不错,但有些效率较低,这不利于实际应用,并且所需的特征是以人工的方式来提取,其分类结果很大程度上依赖于所提取特征的质量。近年来,作为机器学习的一个重要分支,深度学习能够自动地提取目标数据的抽象内在特征,并且在极化SAR数据上它已经得到广泛的应用和发展。此外,在样本标签较少的情况下,对于有监督的神经网络模型其模型容易训练不足,很难得到较好的分类结果。以此,本文基于极化SAR数据的特征学习提出了三种新颖的半监督分类方法用以提升算法效率和分类正确率。1.提出了一种基于直方图密度估计的快速半监督极化SAR分类方法,用于解决一般半监督方法的分类效果良好但效率较低的问题。该方法的主要思想是:首先,提出一种非迭代的协同训练算法用以扩充标记训练样本;接着,用直方图密度估计的方法对原始特征进行快速映射,学习原始特征数据间的相互联系;之后,使用子模块优化算法选择最优子空间特征,以减少映射后特征之间的相关性,再训练分类器并生成特征映射表。最后,根据特征映射表,以查表方式提取测试样本相应的特征,大大降低了特征映射所消耗的时间,实现快速分类。实验结果表明该方法不仅可以大大降低分类时间,而且有效地提高了分类精度。2.提出了一种基于流形正则约束的半监督生成对抗网络(GAN)的方法。该方法的主要思路是:在原始的半监督生成对抗网络算法的基础上,对生成的样本加入流形正则约束,这样就可以利用大量的无标记生成样本,探索学习出数据中内在几何结构属性,同时使判别网络学习到一个光滑的决策函数,以提升分类精度,还引入特征匹配的训练技巧使训练稳定。实验结果表明相比于传统的算法,该方法使极化SAR数据的分类正确率得到很大的提高。3.提出了一种基于自注意力模型的半监督生成对抗网络方法。该方法的主要思想是:半监督GAN模型是使用卷积层构建的,而卷积处理的是局部邻域中的信息。然而加入自注意力模型可以对卷积进行补充,这有助于对图像区域的全局信息进行多层次依赖建模。通过自注意力模型,生成网络生成的图像中每个位置的细节信息与图像的远处部分中的细节信息可以相互联系起来,同时判别网络还可以更准确地对全局图像结构施加复杂的几何约束。另外,我们引入了谱范数正则技术,使神经网络对输入扰动具有较好的非敏感性,从而使训练过程更稳定,更容易收敛。实验结果表明加入自注意模型后,提升了分类的正确率。