随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的飞速发展,人们能够获取大量的高分辨率SAR图像。高分辨率SAR图像包含了丰富的信息,能够对图像场景中的细节内容实现更为精细的感知。然而随着SAR图像分辨率的不断提高,各种新的问题与挑战相伴而生,对SAR图像解译提出了更高的要求。SAR图像分类是SAR图像处理和解译的基础问题,也是SAR技术与实际应用结合的关键环节之一,具有重要的意义,其目的在于:通过提取的特征完成分类,为每个像素分配一个标签。SAR图像分类精度对于SAR图像处理的后续阶段具有重大影响,因此SAR图像分类具有至关重要的意义,成为相关学者的研究热点。高分辨率SAR图像分类的主要问题在于:(1)高分辨率SAR图像中,不可避免地受到严重的斑点噪声的污染;(2)高分辨率SAR图像中的语义场景十分复杂,与低级特征之间存在”语义鸿沟”问题。因此,高分辨率SAR图像分类需要高效的特征提取技术对图像进行更好的表征。本文针对高分辨率SAR图像分类问题,对基于深度学习模型实现高级特征的提取以及利用条件随机场模型完成分类结果优化处理进行深入的探索研究。利用深度学习模型提取高级特征,一方面,能够克服高分辨率SAR图像中的“语义鸿沟”问题,对图像场景内容进行良好的表征,另一方面,高级特征鲁棒性和判别性十分出色,可以最大程度的减少斑点噪声的影响。基于深度学习模型提取的特征可以得到初始分类结果,并将其作为先验条件,通过引入条件随机场模型,结合SAR图像中的空间信息进一步提改善分类结果。根据上述理论,针对两种典型的深度学习模型:堆栈自编码网络和卷积神经网络进行深入研究,分析两种深度学习模型分类框架的不足:针对基于堆栈自编码网络分类框架,由于网络结构的限制导致有一定的空间信息丢失,为了解决该问题,本文引入了条件随机场模型用于对高分辨率SAR图像中的局部空间信息加以利用。针对基于卷积神经网络的分类框架无法充分利用高分辨率SAR图像中丰富的空间信息的问题,本文对循环神经网络能够对空间信息进行编码的特性进行分析,利用循环神经网络对卷积神经网络进行改进,以期实现性能更好的高分辨率SAR图像分类框架。最后,本文基于两种改进的分类框架,设计并完成针对高分辨率SAR图像的分类算法。通过三幅真实的高分辨率SAR图像进行实验,分类结果证明改进的分类框架分类性能得以提升,能够实现稳定精确的高分辨率SAR图像分类。