深度学习方法在极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)图像分类中有着非常重要的地位,其目的是通过大量的标记数据对模型进行训练,从而挖掘更丰富的图像信息,实现对PolSAR图像较为准确的分类。传统的神经网络是在实数域完成图像特征提取与分类任务的,由于其简单且分类准确率高,因此在PolSAR图像分类中已经得到了广泛应用。然而,传统的神经网络分类算法存在未考虑PolSAR数据的复数特性、相位信息、空间信息,以及标记样本缺失与可信度低等问题,导致无法更为有效地提取PolSAR的数据信息,进而无法获取较为理想的分类结果。针对上述问题,本文以复值神经网络(Complex-Valued Neural Network,CV-NN)为基础,考虑图像的复数特性、相位与空间信息,并着重解决标记样本存在的缺失与可信度低的问题,提出了三种基于CV-NN的PolSAR图像分类算法。具体研究工作介绍如下:(1)通过引入PolSAR图像的相位信息与复值信息,本文提出了复值Wishart堆栈自编码网络(Complex-Valued Wishart Stacked Auto-Encoder Network,CV-WSAE)的PolSAR图像分类算法。该算法通过堆叠复值Wishart自编码网络(Complex-Valued Wishart Auto-Encoder Network,CV-WAE)与复值自编码网络(Complex-Valued Auto-Encoder Network,CV-AE),再将前向传播与反向传播中的所有元素都扩展到复数域以提取更加丰富的图像信息,最后利用线性分类器对提取到的复值信息进行分类。实验表明,CV-WSAE分类算法可以提取较为有效的图像信息,能够在PolSAR图像上取得比较理想的分类结果。(2)为了补偿传统PolSAR图像分类算法带来的图像信息损失问题,以及标记样本少与网络过度拟合的问题,本文提出了半监督循环复值卷积神经网络(Semi-Supervised Recurrent Complex-Valued Convolution Neural Network,RCV-CNN)的PolSAR图像分类算法。该算法首先采用Wishart分类器选取少量可靠性较高的样本;然后将其作为CV-CNN的输入数据,以在增强空间信息的基础上提高模型的分类精度;最后通过半监督循环策略不断地对待测样本进行预测以扩充标记样本集,进而取得更好的分类性能。特别地,不同循环策略下的分类算法分别命名为RCV-CNN1和RCV-CNN2。实验证明,RCV-CNN算法取得了较高的准确率和较好的空间一致性。此外,当训练样本数目较小时,本文所提出的RCV-CNN算法可以有效地解决网络过度拟合的问题。(3)为了提高RCV-CNN分类算法中标记样本的可信度,以进一步提高算法的分类性能,本文提出了Tri-training半监督的复值卷积神经网络(Semi-Supervised Complex-Valued Convolution Neural Network with Tri-training Algorithm,Tri-CV-CNN)的PolSAR图像分类算法。首先采用Wishart分类器挑选一些具有较高可信度的样本;然后通过Tri-training算法对待预测样本进行预测,以增加扩充标记样本的可靠性与分类模型的泛化能力;最后,将较高可靠性的扩充标记样本集作为CV-CNN模型的输入,对模型进行训练。实验证明,Tri-CV-CNN算法不仅能够提高扩充的训练样本的可信度,还可以提高分类模型的分类准确率和空间一致性。