海岛散落在海洋中,不仅具有丰富的自然资源,也是我国贯彻习近平总书记海洋强国战略思想,发展海洋经济、保障海洋权益和维护海防安全的重要依托。合成孔径雷达因其信息量大、信息获取速度快、可全天时、全天候观测等优势,可以很好地应对和满足海岛复杂的地物环境及精细化的监管需求,成为了海岛调查的一种重要手段。21世纪以来,深度学习在遥感信息提取中的优势日益凸显,成为了各国学者研究的热点问题。与传统的机器学习方法相比,深度学习可以自动挖掘更丰富的特征信息,能够更全面地描述地物目标,从而提高海岛遥感信息提取水平。近年来,有学者将深度学习方法应用于合成孔径雷达遥感地物信息的提取。但海岛地物类型复杂,人工地物与自然地物并存,它们的纹理、形状、分布特征各不相同。目前仍然没有一种方法能够准确提取所有类型的海岛地物目标。因此,本文以“基于深度学习的极化SAR海岛遥感信息提取技术”为题,做了如下工作:1.针对海岛的地物特点,探究了最适宜的全极化SAR数据的极化分解方法和滤波方法。2.提出一种改进AlexNet深度学习网络模型用于全极化SAR海岛地物分类。在AlexNet基础上调整卷积核大小及全连接层,减少参数;加入池化层,降低维度,减少计算复杂度,以更好地适应SAR数据和海岛地物的特点,提升精度和对不同数据的适应能力,与AlexNet的分类结果相比,精度提升3.75%。3.对152层的深度残差网络模型进行改进,并将改进后的深度学习网络模型用于极化SAR海岛遥感信息提取。利用残差块解决网络深度过深带来的梯度消失问题和退化问题,深度挖掘数据的本质特征,提高网络模型的性能和鲁棒性,分类精度较改进之前提升7.42%。结果表明:深度学习方法在遥感地物信息信息提取领域具有明显的优势,改进AlexNet能够对全极化SAR数据中海岛的多类地物进行有效区分,优于经典AlexNet。深度残差网络能对海岛地物进行很好地区分,精度较AlexNet有所提升,对海岛遥感信息提取有很大的研究价值。