SAR图像分割技术的研究具有深远的现实意义，尤其是对于无监督形式的研究具有更高的研究价值、更为开阔的应用前景。SAR图像区域图形成于用于处理SAR图像的素描图，而素描图源于素描图模型。素描图模型是基于计算机视觉理论，对图像的高级抽象表示。深度学习作为近几年图像领域的研究热点，是一种模拟人脑信息处理方式进行逐层抽象、无监督特征学习的方法。本文结合区域图与深度学习提出了基于深度学习和区域图的SAR图像分割方法，能够获得较好的SAR图像分割结果，本文中深度学习方法使用的是深度自编码器，大体内容如下：　　首先，根据SAR图像素描图模型提取素描图，补全素描图得到区域图，通过区域图将原图像分为聚集、匀质及结构三种类型区域，并分别映射到原图，得到聚集区域、匀质区域和结构区域。本文以区域图为基础，分别对这三部分区域，结合使用不同的方法展开工作。　　然后，针对SAR图像聚集区域和匀质区域分别构建两个不同的深度自编码器，确定深度自编码器的网络层数、每层节点数及各个训练参数等；对聚集区域和匀质区域不同窗口大小取样，将样本输入对应的深度自编码器进行网络训练，网络训练中每两层构成一个限制玻尔兹曼机进行逐层预训练，并对整个网络使用BP算法进行调优；用训练好的深度自编码器得到对应所有点的多层表示，级联编码层最后两层的表示作为该点的特征；根据词袋模型，分别由聚集和匀质区域中所有点的特征对聚集和匀质区域构建字典；将所有点的特征使用局部约束线性编码向对应类型区域的字典进行投影，得到该类型区域中的所有点的稀疏编码；分别对匀质和聚集区域a中的各个子区域，将子区域内所有点的稀疏编码汇聚成编码矩阵，取其最高分量作为该子区域的区域特征；分别对两类区域的所有子区域特征进行聚类，完成对SAR图像聚集区域和匀质区域的分割。　　最后，对SAR图像的结构区域，本文中使用了分水岭算法将原图的梯度图分割成许多超像素，映射到原图的结构区域，将结构区域的超像素在素描线指导下合并，并与匀质区域合并。合并各类型区域的分割结果，得到最终的SAR图像分割结果。本文中提出的SAR图像分割方法，可以获得更加细致准确的地物类别划分，区域一致性及边缘一致性更好的分割结果。实验表明，本文中提出的基于深度学习和区域图的SAR图像分割方法能够获得较好的SAR图像分割结果。