作为主动式雷达成像系统的合成孔径雷达具有全天时、全天候的特点,可以提供大尺度二维高分辨率地球表面反射率图像。目前,它已经获取了大量的SAR图像,这些图像被广泛地应用于战略目标探测、作物生长监测、森林监控等领域。极化合成孔径雷达是在合成孔径雷达的基础上发展起来的,它能够获取更为丰富有用的信息。与传统的单极化SAR相比,我们通常用极化矩阵形式表示极化合成孔径雷达测量的数据,而散射矩阵通常又与其对应的散射机理模型有关,因此其信息的挖掘和提取更为复杂。分类是对极化SAR数据进行解译和理解研究的一个重要方向,分类得到的结果图既可以作为中间结果继续用于进行边缘提取、目标检测和识别等操作,也可以作为最终结果直接输出给用户。因此,对极化SAR数据进行分类研究是很有必要的,而且具有一定的现实价值。时至今日,已经提出了不少关于极化SAR影像地物分类的算法。本文在传统算法的基础上,主要针对极化SAR图像分类器的设计进行了两大方面的研究,所取得的主要研究成果如下:第一部分工作为:深度SVM分类算法的研究。将最近提出的深度SVM的算法应用到极化SAR分类问题中,并对深度SVM的算法进行了一系列的改进。主要工作包括:(1)基于深度稀疏SVM的极化SAR影像地物分类。将深度SVM的模型和稀疏的最小二乘的LS-SVM算法相结合,提出了一种基于深度稀疏SVM的极化SAR影像地物分类方法,解决了原算法运行速度慢的问题。利用本章提出的算法进行仿真实验,得到的实验结果表明算法具有一定的可实施性,并且将算法与其他同种类型算法相比,体现了该算法的高效性和准确性。(2)基于协同深度SVM的极化SAR影像地物分类。将协同训练引入到深度SVM分类器的训练中,提出了一种基于协同深度SVM的极化SAR影像地物分类方法。通过协同训练的思想训练深度SVM分类器,使深度SVM在训练的过程中能同时利用有标记和无标记样本的信息,从而提高分类的准确率。(3)基于深度小波核SVM的极化SAR影像地物分类。将深度SVM分类器中的SVM的高斯核替换成小波核,提出了一种基于深度小波核SVM的分类器模型。针对提出的方法进行仿真实验,实验结果表明该方法能够更好的拟合数据,从而提高分类的准确率。第二部分工作为:神经网络算法的研究。通过对小波神经网络和深度学习的这两种算法进一步研究,提出了一种基于深度小波神经网络的极化SAR影像地物分类方法。深度小波神经网络采用深度学习的训练方式训练深度小波神经网络,避免了网络层数较多时出现梯度扩散的问题,并且能够提取出反映数据本质特性,刻画数据细节特征,突出不同地物类型之间差别的高维特征。实验表明,该方法能达到较好的结果。