极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）作为一种主动式的微波遥感成像系统,具有全天时、全天候的工作特点,相比于传统合成孔径雷达（Synthetic Aperture Radar,SAR）,记录了更完整的目标后向散射信息。极化SAR图像分类作为极化SAR图像处理与信息提取的关键技术,直接影响在地表测绘、环境分析、资源勘测、地质分布、国防军事等领域的应用效果,研究极化SAR图像分类算法具有重要的理论意义和实际价值。本文基于极化SAR图像的极化特性和散射特征,开展了极化SAR图像无监督分类算法研究,主要通过结合目标分解算法和统计模型的聚类算法完成无监督分类。分别以Cloude-Pottier分解和Freeman分解为基础,根据目标分解结果进行初始化分类。引入基于复Wishart分布和最大似然估计算法的H/α/AWishart分类算法,通过多次聚类迭代,进一步优化初始化分类结果中类与类之间的边界,提高分类精度。针对初始化分类不均匀的问题,本文提出了结合Cloude-Pottier分解和Freeman分解的改进的初始化分类方法。改进后的方法利用Cloude-Pottier分解结果的极化熵和平均散射角,以及Freeman分解结果的散射特征重新定义初始化分类规则,其二维分类平面涵盖了更丰富的地物类型,更加合理和完整地对原始极化SAR图像进行划分。相较于传统无监督分类算法,有效减少了初始化分类中的错分,提高了分类效率和精度,总体精度由H/αWishart分类算法的89.0%提高到改进算法的93.2%,实验结果和真值数据具有高度一致性。将深度学习中的卷积神经网络（Convolutional Neural Networks,CNN）算法引入极化SAR图像处理,通过采用U-Net网络模型实现极化SAR图像语义分割。针对极化SAR数据有限,缺少真实地物标注等问题,采用数据增强算法扩充数据集,通过旋转、翻转、裁剪等方法提高数据集的多样性。在传统光学图像的处理方式中,每幅极化SAR图像被作为单通道的灰度图处理,完全忽略了不同极化方式之间的联系,难以得到较优的分类结果。在此基础上,引入极化SAR图像的极化特征,将单通道改进为包含极化信息的四通道输入,四幅极化SAR图像对应一幅真实地物标注数据。经过多组实验数据比较,该算法精度提高至90%左右,Kappa系数提高至0.8以上,验证了该算法的有效性和优越性。