从遥感影像中提取或解译地物目标是遥感和地球科学中一项非常重要的任务。合成孔径雷达(Synthetic Aperture Radar,SAR)系统是遥感数据最重要的来源之一,在遥感领域中不可替代。高分辨率SAR影像具有十分丰富的空间结构特征,解析图像的信息正是通过这些特征来体现,因此,如何利用包含大量丰富信息的特征已成为当前SAR图像研究的热点和难点。研究SAR图像解译主要是基于特征提取,传统的特征提取方法大多是人工选择方法,适用性以及鲁棒性都不高,且人工提取的特征都是底层视觉特征,无法涉及到中高层,或者说无法充分表征目标的本质属性,导致SAR图像处理效果不佳。论文研究的内容是基于深度学习方法对高分辨率SAR图像解析,主要内容如下:(1)针对SAR图像的场景分类问题,提出一种基于空间特征重标定网络的SAR图像场景分类算法。首先通过构造多尺度全向高斯导数滤波器得到SAR图像的多尺度空间特征;然后引入可分离卷积与附加动量法的特征重标定网络,网络通过全连接层形成瓶颈结构,学习特征通道间的相关性并对多尺度空间特征进行权重筛选;最后结合卷积神经网络训练得出分类结果。(2)为解决现有的高分辨率SAR图像道路提取算法自动化程度低、普适性不高的问题,提出一种基于多路径优化网络的多特征道路提取算法。首先对原始SAR图像进行 Gabor 变换及灰度梯度共生矩阵(Gray Level-Gradient Co-Occurrence Matrix,GLGCM)变换,获取丰富的道路特征信息;联结级联优化网络和残差网络形成多路径优化网络,然后对SAR原图、获取的低级特征图和标签图进行训练,充分利用每层网络提取的道路特征获取初始分割道路结果;最后利用数学形态学运算连接初始道路断裂处、去除虚警。深度学习的不断创新加速了计算机视觉的发展,有效地克服现有SAR图像解译方法的局限性,为研究SAR图像内容提供了可靠的方法。