合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动式微波遥感成像系统,其通过相干成像机制可获取丰富的地物信息,广泛应用于军事和民用领域。SAR图像解译技术,特别是基于深度学习方法的解译技术是近年来遥感领域发展的重要方向。然而,基于深度学习的解译方法尚未考虑SAR图像的固有特性,仍然存在泛化能力不高以及鲁棒性不足的问题。本论文聚焦于高分辨率单极化SAR图像分类的卷积神经网络（Convolutional Neural Network,CNN）方法研究。在梳理了CNN方法用于SAR图像分类任务存在的难点问题基础上,本论文构建了SAR图像统计描述与卷积特征提取之间的关联理论,重点研究了面向高分辨率SAR图像的结构特性,并顾及其统计特性的统计多层网络与稳健性分类方法。本论文主要研究内容如下:（1）构建了SAR图像统计描述与卷积特征提取之间的关联理论。本论文深入分析了SAR图像的统计模型与统计分布参数估计,并比较了传统卷积特征提取与SAR图像统计描述之间的区别。在此基础之上,建立了统计描述与卷积特征提取之间的桥梁,并构建了SAR图像的统计描述学习理论。（2）提出了像素级统计描述学习的SAR图像统计深度网络分类方法。针对CNN特征提取并未显性体现SAR图像的像素级统计特性问题,本论文从SAR图像的底层像素级统计特性出发,在最小化分类误差约束下基于统计描述学习理论,自主学习SAR图像的底层像素级统计描述与高层结构性模式描述。该方法建立了SAR图像底层像素级统计描述学习与高层模式描述学习的统一,增强了对具有统计特性和结构特性SAR图像的有效描述。（3）提出了特征级统计描述学习的SAR图像统计深度网络分类方法。针对CNN特征提取尚未考虑SAR图像特征基元的统计特性问题,本论文从特征级统计分析角度,构建统计约束提取特征级统计基元,并基于该统计基元自主学习SAR图像的特征级统计描述。该方法集成特征学习与统计分析,建立了端到端的SAR图像结构特征学习与特征级统计描述学习。（4）提出了相干斑模式起伏稳健的SAR图像统计深度网络分类方法。针对CNN方法对于相干斑模式起伏的鲁棒性不足问题,本论文建立正则约束,分别在CNN模型的特征提取和分类器模块,引入对于乘性噪声不变的特征学习和分类器学习约束,并在统一优化理论框架下实现相干斑模式起伏稳健的SAR图像分类。该方法提升了统计描述学习的相干斑模式起伏稳健性,解决了其面向实际应用的关键问题。在上述研究基础之上,开发了面向SAR图像建成区提取的原型系统,并综合分析了全文研究方法的性能与适用场景。该原型体统集成了本论文研究方法,推进了本论文研究面向实际应用。