极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)是一种主动式的遥感成像系统,利用多种极化方式对目标进行全方位的测量,在遥感领域中有着广泛的应用。极化SAR图像地物分类就是对极化SAR图像中每一个像素一个预定义的标签,是极化SAR图像理解与解译的关键步骤。近几年来,以卷积神经网络为代表的深度学习方法,在极化SAR图像地物分类中取得了显著的成就,但这是以大量有标签样本为代价的。然而由于成像机理的复杂性,图像理解往往需要专家知识,因此极化SAR有标签样本非常珍稀。本文在小样本问题情景下,利用深度学习,开展了以下三个工作:1.基于标签语义先验的极化SAR图像地物分类。该方法利用分类结果图中区域内部像素标签一致和区域之间存在明显边界的先验信息,把区域一致性约束和边缘保持约束引入到卷积神经网络的训练过程中,不仅提高了网络对于特征的学习能力,同时还使得分类结果有着良好的空间一致性和齐整的边界。2.基于渐进式深度种子区域生长法和条件随机场的极化SAR图像地物分类。卷积神经网络的深度特征具有高级的语义信息,直接在深度特征空间利用种子区域生长法扩充有标签训练样本集合会一次性添加太多的噪声样本,容易导致网络训练崩溃。本方法在网络训练过程中,每一轮只将有标签样本邻域中可信赖的无标签样本添加到有标签训练样本集合中,缓慢扩充训练样本集合,减小网络在训练中崩溃的概率。同时,利用Pauli伪彩图和条件随机场对分类网络的预测结果进行平滑处理。并且,将处理后的信息反馈到网络的训练过程中,使得网络预测结果具有良好的空间一致性、区域之间边缘清晰完整。3.基于类间错分经验和条件随机场的极化SAR图像地物分类。该方法在交叉熵损失函数的基础上,添加残差损失,使得卷积神经网络在训练过程中不仅关注于每个样本真实类别的分类情况,还学习到每个类别与其它类别之间的联系。因此,卷积神经网络学习到的特征更加具有辨识性。同时,利用Pauli伪彩图对网络的输出结果进行CRF平滑,并将结果反馈到卷积神经网络的训练过程中,减小了相干斑噪声对于分类结果的影响,使得分类结果具有良好的空间一致性和齐整的边界。