目前,合成孔径雷达（Synthetic Aperture Radar,SAR）成像已经成为一种成熟的相干微波成像技术,能够提供大尺度高分辨率地球表面发射率影像,成为不可或缺的数据源。同时,凭借其主动的工作模式,传感器无需依赖太阳光,具有几乎全天时全天候的全球对地观测能力。由于特殊的极化成像方式,SAR影像更适合精细的地表分类、地形反演、森林制图等应用。然而,相干传感过程却使其与生俱来受到一种空间相关且信号依赖的噪声,称之为相干斑噪声,严重污染影像,降低影像质量,阻碍后续影像的应用。因此,相干斑噪声的抑制工作为应用前的首要任务,可有效提高后续应用的精度。早期的相干斑抑制方法主要局限于局部邻域空间,后续逐渐将局部空间扩展到非局部空间,甚至拓展到时间域进行同步处理,其目的是捕获更丰富准确的相似信息,达到更精细的去噪。近年来,随着深度学习技术的蓬勃发展,应用于不同的领域。在遥感影像质量改善领域,深度学习以其显著的非线性拟合能力表征出真实影像与观测影像之间复杂的映射关系,从而达到良好的复原效果。同样地,在SAR相干斑抑制中也逐渐显露其优势。现有的深度学习相干斑抑制方法的基础框架是以SAR影像观测模型为出发点,例如:基于乘性观测模型的方法、基于信号依赖的加性观测模型的方法、基于对数域加性观测模型的方法。在基础框架固定的情况下,方法的创新主要在于网络结构,却忽略了相干斑噪声的分布特征与SAR影像地物分布特性。因而,本文从这两方面考虑,构建了两种不同的深度学习模型,主要工作及结果如下:（1）提出了结合变分模型与深度学习的相干斑抑制方法。针对现有深度学习方法多是直接采用端到端的网络结构,未考虑相干斑噪声的分布特性,存在过度依赖训练数据的问题,研究结合变分模型与深度学习的相干斑抑制方法,在变分模型的基础上,提出以深度卷积神经网络代替正则化项,构建递归深度卷积先验模型,以更好地表征不同情况下的相干斑噪声,此外基于扩张卷积的预去噪残差网络使得相干斑抑制结果更为优异,从而实现相干斑噪声的精准去除。（2）提出了基于时序合成影像样本构建的深度学习相干斑抑制方法。针对现有深度学习方法多是以光学模拟SAR数据作为训练数据,存在由成像机制导致的地物分布特征差异问题,研究基于时序合成影像样本构建的深度学习抑制方法,在真实的长时序SAR影像的基础上,提出以时域加权均值方式构建监督与自监督训练数据集的方法,更准确地表征了SAR地物分布特性,此外,联合参数共享策略与时空自适应加权机制的网络模型提高了输入数据的灵活性,可适应单/多时相输入,从而实现保持地物分布特征情况下的相干斑噪声的抑制。