全极化合成孔径(PolSAR)雷达兼具微波波段主动遥感方式和多极化合成获取地物信息的优势,数据获取过程中能不依赖太阳光源,可全天候获取影像数据,多极化合成的方式使得PolSAR影像可以表达更为细节的地物信息,具有比传统光学影像更为精确的地物表达和监测能力。PolSAR影像分类作为PolSAR数据最为基础的应用之一,对PolSAR数据的研究和后续应用都具有重要意义。传统的PolSAR影像分类方法主要是基于特征矢量或单一目标分解方法,影像分类中使用的特征维数较少,不能充分利用PolSAR影像丰富的特征信息,PolSAR数据固有的相干斑噪声也对分类结果造成了很大影响。随着深度学习的发展,大量优秀的深度学习模型被用于影像分类中,如DBN,AlexNet和ResNet等,其基于特征学习的分类方法使得模型能学习到图像更为本质的特征,并根据输入数据自行调整模型参数,已在光学和SAR影像分类研究中取得了比传统分类算法更为精准的结果。基于深度学习模型的PolSAR影像分类方法,能充分利用PolSAR数据丰富的极化散射特征,使多维的地物特征信息参与影像分类过程,有利于提高PolSAR数据的特征利用率。然而,并不是所有的特征都适用于影像分类,为了在充分利用PolSAR影像极化特征的同时,减少特征集数据冗余,降低相干斑噪声的干扰,提高影像分类精度,本文将超像素分割与分类特征集优化相结合,引入深度残差网络参与PolSAR影像的分类研究。论文主要工作如下:(1)分类特征集选取,本文通过多种目标分解方法对实验影像进行分析,并对目标分解特征进行筛选,滤除对目标地物区分能力较差的噪声特征,以减少分类无关特征对分类模型的干扰,减少特征冗余,使分类特征集具有更好的鲁棒性。(2)多种雷达植被指数对比,由于实验数据包含多种植被地物类型,本文引入雷达植被指数特征参与影像分类。通过对比分析三种常用的雷达植被指数对不同种植被类型的敏感性差异,选取RVI特征为基于Freeman分解的雷达植被指数(Freeman_RVI)和基于H/a/Alpha分解的雷达植被指数(Van_RVI)。(3)引入超像素分割对实验数据预处理,减少相干斑噪声的影响。本文采用SLIC超像素分割方法,将PolSAR影像分割为指定数目的超像素块,以每个超像素块为分类对象,结合像素邻域信息对PolSAR数据分类。实验结果表明,对实验数据做超像素分割预处理,可以减少相干斑噪声影响,有助于进一步改善分类结果。(4)基于深度学习模型ResNet的PolSAR影像分类方法,文章通过构建ResNet全极化SAR影像分类模型,将多维数据运用于PolSAR影像分类中,模型输入数据为单一像素的多维特征值和SLIC超像素多维特征。实验结果表明,基于ResNet模型的PolSAR影像分类方法,可以获得比传统分类方法更高的分类精度。基于超像素块与ResNet模型的PolSAR数据分类方法分类,可以进一步改善分类结果。