现今,极化合成孔径雷达(PolSAR)的应用领域越来越广泛。极化SAR具有多个极化通道,能够获取更丰富的地物信息,而分类作为极化SAR数据解译中一个非常重要的环节,其研究工作受到科研学者们的重视。深度学习是机器学习的一个新分支,它通过模拟人脑结构感知数据的重要部分,从低层特征中学习更加抽象的高层信息,能够高效、自主地提取数据的内在特征。近年来,随着深度学习的发展,大量优秀的深度学习模型被应用于极化SAR图像分类。针对极化SAR图像复杂且数据规模大的特性,本文以深度对抗学习算法为基础,应用三种方法实现极化SAR地物分类:1.提出了一种基于对抗自编码器(AAE)的极化SAR图像分类算法。该方法将极化SAR图像的目标分解特征和图像纹理特征相融合,组成极化-纹理组合特征,通过对抗自编码器(AAE)模型中自编码器的训练以及生成器和判别器的博弈训练,实现特征提取和地物分类。这是一种半监督的分类方法,充分的利用了数据特征并可以有效地剔除冗余信息,对比四组实验效果,该算法在标签较少的情况下也能获得较为理想的分类精度。2.提出了一种基于辅助分类器生成对抗网络(ACGAN)的极化SAR图像分类算法。对极化SAR数据进行预处理时,考虑到像素点之间的空间相关性,以邻域图像块特征作为输入数据。构建ACGAN模型,在训练中两个网络交替更新参数,提高了判别器对极化特征的学习和捕获能力。最后在训练好的模型上将ACGAN中的辅助分类器作为样本集的分类器获得地物类标。通过四组对比实验效果,该算法有效的提高了分类精度。3.提出了一种基于SLIC优化的极化SAR图像分类算法。由于AAE分类模型是基于单个像素点的分类算法、ACGAN分类模型是基于区域块的分类算法,该方法针对二者的不足,在SLIC超像素分割的基础上对不同区域应用不同的分类算法,提高分类结果的区域一致性以及优化不同地物间的边界效果。通过三组对比实验验证了该算法的合理性。