极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)已成为国内外合成孔径雷达发展中不可或缺的对象之一,而在SAR图像解译中,极化SAR图像分类又成为至关重要的一项研究技术,它根据每一分辨单元所获取的目标极化信息来判定像素点所属的类别。深度网络模型结构比浅层网络模型结构在复杂高变函数的表示上、网络计算复杂度方面以及获取有用信息上都具有很大的优势,稀疏自编码器(Sparse Automatic Encoder,SAE)便是一种深度的网络模型结构。本文主要基于小波稀疏自编码器对极化SAR图像进行分类,算法结合了神经网络的自学习能力,并且对全部非线性函数均具有良好的逼近能力,对于毫无二致的学习任务,小波网络结构的时间和空间复杂度往往都偏低,下面对本文三个章节的内容进行概述:1、详细地描述了利用小波稀疏自编码器对极化SAR图像进行分类的方法,分别将高斯小波函数、Morlet小波函数以及墨西哥帽小波函数作为自编码器的激活函数,算法分类效果均优于对比算法的分类效果,并且小波稀疏自编码器的总用时远远小于对比算法用时。其中,高斯小波稀疏自编码器用于极化SAR分类不仅分类精度最高且耗时最短。2、系统地讲解了基于高斯金字塔池化编码(Gaussian Pyramid Pooling Coding,GPPC)和小波稀疏自编码器的极化SAR图像分类方法,对图像原始数据进行特征编码,利用了数据的空间邻域信息,结果表明算法的分类准确率有了明显的提升,特别是对德国Oberpfaffenhofen地区和SanFrancisco Bay地区分类效果显著。3、详尽地阐述了基于超向量编码(Super Vector Coding,SVC)和小波稀疏自编码器的极化SAR图像分类方法,结合图像的空间相关性并利用像素点的先验概率对特征进行稀疏编码,实验表明超向量编码对原始数据进行了充分地学习,在对高分辨率图像的分类精度进行改善的前提下,对农田Flevoland地区的准确率又做到了进一步地提升。