极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）作为雷达成像技术中最常用的手段之一,被广泛应用在各个领域,其中对PolSAR地物进行有效地分类是目前遥感领域的研究热点。近年来,随着深度学习的快速发展,其在解决PolSAR地物分类问题中也取得了优越的表现。PolSAR地物分类是一个小样本分类任务,传统的深度学习需要从大量标记样本中获取特征信息从而优化网络模型,因此如何在小样本条件下充分提取PolSAR数据的特征信息是需要重点解决的问题。尽管已有众多学者对这一问题进行探讨,但通常都是采用样本扩充的方式来扩大数据集,未能充分利用已有样本。鉴于UNet网络模型对小样本数据集具有良好的分割能力,因此本文以UNet网络模型为基础,同时根据PolSAR数据的特有属性提出了三种基于UNet网络模型的PolSAR地物分类方法。具体研究成果介绍如下:（1）考虑到PolSAR图像独有的数据属性以及深层次特征对模型性能的影响,提出了一种基于UNet的深度可分离残差网的PolSAR地物分类方法。首先,考虑到PolSAR独特的数据结构,引入深度可分离卷积,旨在分离提取数据的空间特征和通道特征,深度可分离卷积的使用不仅能够减少冗余特征的提取,还能降低模型的复杂度;其次,引入残差网结构,用来提取数据更深层次的特征信息;最后,将UNet网络模型与深度可分离卷积以及残差网相结合,提出基于UNet的深度可分离残差网络模型（Separable Residual UNet,SR-Unet）完成PolSAR地物分类任务。实验结果表明,该方法的性能优于其它对比方法。（2）在SR-Unet网络模型的基础上,考虑到PolSAR数据集的小样本特点,提出了一种基于注意力机制的多尺度残差UNet模型（Attention Multiscale Residual UNet,AMR-Unet）。首先,为了能够更加充分的利用标记样本以获取更丰富的特征信息,提出了多尺度残差结构,该结构通过设置大小不一的卷积核来提取不同感受野的特征信息;其次,通过借鉴密集连接思想对多尺度残差结构进行了改进,改进后的多尺度残差结构能够有效提高特征信息的利用率以及传递效率;之后,引入了感受野融合的空间注意力机制,对不同特征赋予不同权重,进一步增强了网络模型对重要特征的学习能力。实验结果清晰的表明,该方法不仅有效提高了PolSAR地物的分类准确率还提高了分类效率。（3）考虑到相位信息和多尺度特征对PolSAR地物分类的重要性,提出了一种改进的复值双边UNet模型（Complex-valued Dual-channel UNet,CV-DUnet）。首先,通过设计双通道下采样模块来提取PolSAR数据的多尺度特征;其次,通过引入改进的跳跃连接消除了高低层特征之间可能存在的语义差异;最后,将网络模型扩展到复数域,以便更充分的利用PolSAR数据的相位信息。实验结果表明,该网络模型在一定程度上提高了PolSAR地物的分类准确率。