极化合成孔径雷达(Polarimetric Synthetic Aperture Radar)不仅是如今遥感领域中最重要的应用之一,而且是全球众多科研机构研究的热点。在此背景下,开展关于极化SAR影像地物分类方面的研究,对于提高极化SAR影像的解译能力、推动我国极化SAR系统走向应用具有重大实际意义。极化SAR影像地物分类的目的是将具有相同或相似散射特性的地物归为一类,为后续的解译工作提供基础。极化SAR影像地物分类是高维数据的处理问题,分类时面临着大数据量、大计算量的挑战。本文基于极化SAR影像的特点,结合稀疏编码和深度学习的相关理论,对极化SAR影像地物分类问题进行研究,研究内容主要包括了以下三个方面:1.提出了一种基于改进K-SVD(Singular Value Decomposition)字典学习与稀疏编码的极化SAR影像地物分类方法。该方法首先利用改进的K-SVD算法进行字典学习,然后将测试样本通过学习字典进行稀疏编码,最后用基于误差的稀疏编码分类器进行分类。该方法由于利用了改进的K-SVD字典学习算法,得到了具有判别性的字典,可以直接利用基于误差的稀疏编码分类器进行分类,计算简单,分类效果良好。2.提出了一种基于协同表示和稀疏自编码器SAE(Sparse Auto Encoder)的极化SAR影像地物分类方法。该方法首先将测试样本用K-SVD算法得到的学习字典进行协同表示,将协同表示系数用稀疏自编码器SAE进行深度学习,最后将学习后的协同表示系数输入到SVM(Support Vector Machine)分类器中进行分类。该方法由于利用了协同表示,计算复杂度大大减小,并且用SAE深度学习得到了协同系数更本质的表示,去除了冗余信息,加快了分类时间。3.提出了一种基于独立成分分析ICA(Independent Component Analysis)稀疏编码和重要采样的极化SAR影像地物分类方法。该方法首先用ICA对样本进行稀疏编码,得到编码字典和系数,然后基于最邻近准则进行重要采样,选取具有代表性的训练样本。接下来将稀疏编码系数用SAE进行深度学习,最后用SVM分类器进行分类。该方法用ICA进行稀疏编码,计算简单,可以得到和视觉系统类似的编码字典。采取基于最邻近准则的重要采样,获得了最具代表性的训练样本,取得了良好的分类效果,降低了分类时间。