机器学习一直是近几年来国内外学者研究的热点之一,而图像识别与分类是机器学习中一个重要的研究方向。近年来随着海上石油开采、运输,溢油事故频繁发生,海洋灾害严重;SAR图像具有全天时、全天候、微波穿透力强等特点,并且不受气候与光线等影响,广泛应用于溢油监测中;基于机器学习对于SAR图像进行溢油分类具有重要的研究意义。本文对机器学习中浅层学习分类器进行研究,并与PCANet结合,对结合的模型开展了 SAR图像溢油检测实验,文章的主要研究内容如下:(1)对比研究了常见的神经网络算法。本文选取了 BP神经网络、卷积神经网络以及小波神经网络三种典型神经网络,分析了它们的结构模型与算法原理。其模型构建包括两个过程即信号的前向传播与误差的反向传播,三种神经网络均可以学习提取图像的特征并进行分类,其网络结构或简单或复杂,均需要多次的迭代调整权值与阈值。(2)本文实现了四种浅层分类器对SAR图像进行溢油检测。分析了四种分类器决策树、支持向量机、K-近邻以及集成算法中的AdaBoost的算法原理,以及其在图像分类过程中的判决规则,对比分析了三种极化方式下HH极化、HV极化以及VV极化的SAR图像的分类结果,以及同种极化下的不同分类器的分类结果。结果显示,四种分类器对不同极化下的SAR图像的溢油检测面积都要大于专家解译面积,而且对于同极化VV极化下的溢油效果要好于其他两种极化下的SAR图像。(3)本文实现了基于PCANet网络与浅层分类器结合进行SAR图像溢油识别。在分析了 PCANet网络算法原理与结构的基础上,将其应用到不同极化下的SAR图像特征提取中,并将提取到的特征值输入到不同的分类器中进行SAR图像分类,该算法有效的提高了数据的特征维度,但是其检测的正确率有点偏低,而且对于不同极化下的SAR图像数据更为敏感。