随着SAR图像分辨率的快速提高和数据量的巨大增加,SAR图像的快速、准确且自动化的解译变得尤为重要。SAR图像高精度自动分类算法是SAR图像理解与解译的基础,为不同应用场景的结果分析打下了坚实基础。论文利用深度学习的方法来进行SAR图像阴影、水体和叠掩的分类,主要研究工作如下:(1)SAR图像中的阴影、水体区域灰度值接近且相干斑噪声影响较大,目前还不能实现自动准确地提取。针对这个问题,论文提出一种基于多分辨率密集编码解码网络的SAR图像阴影水体区域提取算法。首先利用灰度梯度共生矩阵对SAR数据进行预处理,降低相干斑噪声的影响并提取图像纹理特征;然后将处理后的图片输入编码网络中提取多层特征;解码网络则对编码特征进行融合和再提取得到最后的输出结果。在解码网络中,使用分离卷积减少参数并扩大卷积感受野;使用加入全局均值池化和卷积长短期记忆的链式池化来提取全局上下文信息;使用密集连接来重复利用特征并增强网络梯度传递的能力。实验表明,该方法能对毫米波SAR图像中的阴影和水体区域进行高精度的自动提取。(2)在单航过InSAR系统的相位解缠中,阴影、水体和叠掩区域会对重建的DEM引入严重的误差。为了解决这个问题,论文提出了一种多级深度学习网络检测InSAR图像中的这些区域,进而可在DEM重建时采用不同策略对这些区域处理,大大提高重建的DEM精度。该方法主要由三个部分组成,分别是多尺度特征融合模块、多级注意力特征提取网络和改进策略模块。首先,将数据集输入多尺度特征融合模块,利用三种不同的方法来提取输入图像的多尺度低级特征;进而将这些低级特征输入网络进行中级和高级特征的提取。该网络由编码和解码两部分组成,编码网络利用101层残差网络来产生多级特征,解码网络则对编码网络输出的多级特征进行融合并进一步提取上下文以及全局信息来产生最终的高级特征。最后,将提取的特征利用改进策略进一步提高精度。该算法使用毫米波InSAR数据集进行训练和测试,其中水体、阴影和叠掩的分类精度分别达到了 0.8382、0.9278 和 0.8907,IoU(Intersection over Union)精度达到了 0.7727、0.8006和0.7636。算法的的整体IoU能够达到0.9076。