伴随着海洋经济的快速发展,海洋石油资源开发、海上运输等活动日趋繁荣,海洋溢油事故也频繁发生。海洋溢油污染对海洋生态环境、生态资源和海洋经济造成了十分严重的影响。其中合成孔径雷达（Synthetic Aperture Radar,SAR）由于其具有全天时、全天候、大范围观测的优势,目前已成为海上溢油检测最为重要的手段之一。相比于传统的单极化SAR,极化SAR（Polarimetric SAR,Pol SAR）可以获得不同极化状态下的目标散射信息,为溢油检测提供更为丰富的信息。因此,极化SAR影像在溢油检测方面的优势日益凸显。与此同时,深度学习由于能够自动地挖掘图像深层特征,近年来取得了突破性进展,已经成为遥感领域的一个重要的研究热点。深度学习的出现为大数据时代极化SAR目标检测提供了新契机。本论文主要开展了基于深度学习的极化SAR海上溢油检测方法研究。进行了极化SAR溢油影像的极化特征提取与分析,以及深度学习在极化SAR溢油检测方面的算法研究。本文主要工作归纳如下:1.极化SAR溢油检测特征参数提取与分析。目前基于极化SAR进行海面溢油检测的主要研究方向是利用极化特征进行溢油检测。本文收集总结了国内外22种极化SAR溢油检测相关的特征参数,基于极化SAR数据对特征进行提取并分析不同特征溢油与生物油膜和海水之间的差异,此外还对比分析了22种极化特征区分油膜与生物油膜和海水的能力。2.开展了基于卷积神经网络（Convolutional Neural Network,CNN）的全极化SAR图像溢油识别方法研究。在深度学习技术中,CNN在图像分类,识别和其他视觉任务方面取得了显著成果。在分析CNN模型结构以及原理的基础上,提出了一种改进的CNN极化SAR溢油检测方法,并利用三景RADARSAT-2溢油影像验证了该方法的有效性。3.开展了基于全卷积神经网络（Fully Convolutional Network,FCN）的溢油检测方法研究。针对传统基于像素的CNN方法存在的存储开销大,测试时间长等缺点,将语义分割问题中十分常用的全卷积神经网络模型引入到极化SAR溢油检测工作当中,提出了一种基于FCN的溢油检测方法。网络采用“编码-解码”的形式,能够实现端到端的二维图像语义级标注。实验结果表明FCN在极化SAR溢油检测上具有较大的应用潜力。