极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种先进的微波探测系统,具有全天时、全天候的特点,能同时获取4个通道的信息,在民用和军用领域发挥着不可替代的作用。其中极化SAR影像场景分类作为极化SAR影像解译的重要任务之一,受到越来越多的关注。基于传统方法的PolSAR影像分类精度通常依赖于特征的选取,受先验知识和噪声的限制,无法得到满意的精度。深度学习的方法可以自动的从数据中抽象出其本质特征并能利用高层次空间信息和极化信息降低噪声的干扰,实现PolSAR影像的高精度分类。本论文探究基于深度卷积神经网络的极化SAR影像分类方法,主要内容如下:1、提出了一种基于深度卷积神经网络的集成迁移框架。该方法充分利用影像中的极化信息和空间信息,实现了在小样本上的高精度分类。首先研究了三种高级极化分解方式对PolSAR影像分类的影响,随后迁移三种经典模型用于极化SAR影像分类,最后选用合适的模型对高级极化参数进行集成学习。2、可视化卷积神经网络在影像分类中的工作模式,探索不同模块对不同数据的处理方式以及具体现象出现的原因,验证了将光学模型迁移到SAR影像分类中的适用性及原因。3、提出了一种基于全卷积网络的多尺度多极化语义分割模型。该模型综合了高阶极化信息和多尺度空间信息,实现了在小样本上的平滑语义分割。首先将带有全连接层的分类网络改进为能够保留影像空间信息的语义分割网络并使用预训练参数对PolSAR影像进行语义分割,随后将极化分解参数与原始数据进行融合实现多极化多尺度的语义分割。