为了准确地描述植被动态变化,人们迫切地需要高时间分辨率的遥感数据。光学数据虽然能提供较为丰富的光谱信息,但由于受云、雨天气的影响,很难保证较高的时间分辨率。合成孔径雷达数据可以生成全天时、全天候的高时间分辨率的对地观测影像,但其光谱信息不够丰富,无法识别植被丰富的生理生态变化。如果能结合光学数据和合成孔径雷达数据两者各自的优点,那么就可以形成一个完整的、光谱信息丰富和时间分辨率高的数据集,能够准确地、全面地监测和分析植被覆盖和植被变化。因此,SAR-to-Opticl转换在遥感应用领域中具有重要的意义。SAR-to-Opticl转换难以使用简单的物理模型实现,需要借助深度学习的方法,因此,本研究借助条件生成对抗网络将SAR影像（Sentinel-1影像）转换为光学遥感影像（Landsat影像）。在此基础上,本研究探究了边缘信息作为特征对条件生成对抗网络的影响,比较了同极化（VV）、交叉极化（VH）和双极化（VV&VH）三种不同极化方式对条件生成对抗网络的作用。得到了如下结论:（1）边缘信息的加入使得生成的光学遥感影像在亮度、对比度和结构上都较仅输入纹理信息所生成的光学遥感影像具有更高的精度,可靠性也更强,同时也可以使生成的光学遥感影像中的水体的边界更加清晰且连续。（2）无论以哪一种极化方式作为输入,生成的光学遥感影像的第五波段到第七波段的相关性都是明显高于第一波段到第四波段。（3）以纹理信息和边缘信息为输入下的最优极化模式是双极化（VV&VH）,其次是交叉极化（VH）,最差的是同极化（VV）;只以纹理信息为输入下的最优极化模式是同极化（VV）,其次是双极化（VV&VH）,最差的是交叉极化（VH）。（4）对于植被而言,双极化模式和纹理信息与边缘信息相结合的组合输入（即VV&VH+GLCM&Canny）是最佳输入特征组合;对于水体而言,同极化模式和纹理信息与边缘信息相结合的组合输入（即VV+GLCM&Canny）是最佳输入特征组合;对于建筑用地而言,双极化模式和纹理信息相结合的组合输入（即VV+GLCM）是最佳输入特征组合。这些研究结果为基于条件生成对抗网络的SAR-to-Optical转换的输入特征选择提供了重要参考,在去云、光学遥感影像重建等方面具有重要的应用价值。