极化 SAR（Polarimetric Synthetic Aperture Radar,PolSAR）在成像过程中发射与接收多种极化方式的电磁波,测量的数据不仅是后向散射系数,更是能够反应目标极化散射特性的复值极化散射矩阵或复值相干矩阵,因而能够获取目标更丰富的信息。随着多种极化SAR成像系统投入应用,大量的极化SAR数据被应用于军事、民用领域。极化SAR图像分类是极化SAR图像应用中的关键课题之一,目的是基于散射特性将地物目标归于某一类别。深度学习算法能够自适应地提取极化SAR图像中的特征,具有比传统方法更强的综合分类性能。已有深度学习方法多基于常规实值深度神经网络,可能对复数信息利用不充分。为此,本文以复值神经网络为基础,从提高空间信息捕捉能力、提高散射维的特征捕捉能力、提高类内类间的特征度量能力、提高算法随机性等方面,开展基于复值神经网络的极化SAR图像分类算法研究。论文的主要工作可归纳如下:第一部分在阐述极化SAR图像中复值数据结构和复值神经网络基本结构的基础上,针对卷积神经网络（Convolutional Neural Networks,CNN）对极化SAR图像中空间联系利用不足的问题,将基于非局部算法的空间滤波引入复值神经网络,设计了一种适用于复值神经网络的非局部模块,该模块的输出是特征图内的特征与其他位置特征的动态加权和。在此基础上,本章构建了用于极化SAR图像分类的复值非局部网络（Complex-Valued Non-local Network,CNLNN）。实测极化 SAR 数据的分类结果验证了 CNLNN方法的可行性与有效性。第二部分以强化CNN对于极化SAR数据中多极化通道特征的提取能力为目标,提出用于极化SAR图像分类的深度复值三维神经网络（Complex-valued 3D CNN,CV-3D-CNN）。多数已有CNN模型仅限于处理2D实值输入,因此限制了其对极化SAR数据中复值协方差或相干矩阵中物理散射机制的提取能力。本文改进CNN的结构,设计了复值3D卷积、复值3D池化层、全连接层,并以此提出CV-3D-CNN。与CNN相比,CV-3D-CNN执行复数域的3D卷积,能够同时提取空间和散射维度的深度语义特征,从极化SAR数据中捕获更丰富的物理特性。实验结果验证了复数域3D特征提取过程的有效性,实验结果表明算法具有较高的分类准确度。第三部分以结合CV-3D-CNN对深度语义特征的学习能力和随机场对极化SAR图像空间统计特征的建模能力为目标,提出基于CV-3D-CNN的混合条件随机场（Hy-brid Conditional Random Field,HCRF）的极化 SAR 图像分类算法,简 称为 HCRF-CV3DCNN。HCRF-CV3DCNN通过CV-3D-CNN提取极化SAR数据中幅度和相位信息获取随机场框架下的类别概率。此外,本文基于CV-3D-CNN的结果推导出类别分布的相对熵并用于调节标签交互,从而提高分类中边缘定位的准确性。最后,为了捕获更完整的极化SAR图像信息,HCRF-CV3DCNN集成了深度特征和极化SAR散射统计信息,实现贝叶斯框架下的融合。HCRF-CV3DCNN能够有效地将深度学习模型的表示能力与包括空间相关性和数据统计在内的随机场的建模能力相结合。实验结果证明了 HCRF-CV3DCNN能够有效地结合条件随机场与深度学习模型,具有比近期的深度学习方法更好的分类性能。第四部分以强化CNN对于类间与类内相似性度量,增强小样本条件下的分类性能为目的,构建复数域的度量网络用于极化SAR特征提取与分类。CNN专注于像素和标签之间的相关性,而缺少对类间或类内特征距离的约束。首先,本文提出三元复值网络（Triplet Complex-Valued Network,TCVN）,TCVN通过优化类内和类间距离获得用于极化SAR数据特征提取的复值映射网络。TCVN使用复值卷积和复值欧式距离保持相位分量,并应用复值dropout和复值L2参数正则缓解过拟合。随后,复值K最近邻（Complex-Valued K Nearest Neighbor,CV-KNN）根据复值特征间的距离标记像素类别。CV-KNN和TCVN都基于复数域的欧氏距离,因此两者能够良好地相结合。TCVN优化度量函数进而提取极化SAR图像中的深度特征,并通过更完整的复数域运算过程保持相位分量。实测极化SAR图像的实验证明了复数域欧式距离在复值度量学习中的有效性,实验结果表明TCVN可以有效地处理极化SAR数据,即使在较小的数据集下也能取得良好的极化SAR图像分类性能。第五部分以提高CNN结构的抗过拟合能力、增强神经网络的不确定性判别能力为目的,提出用于极化SAR图像分类的复值变分推断网络（Complex-valued Variational Inference Network,CVIN）。经典CNN中神经元的权值是恒定的,使得网络可能缺乏随机性。与CNN不同,CVIN中的复值神经元不再是固定数值,而是复数域的高斯分布。因此,CVIN是一种灵活、非固定的网络结构,能够缓解极化SAR的复杂成像机制和随机散斑噪声导致的网络过拟合现象。CVIN使用基于新型证据下界（evidence lower bound,ELBO）的反向传播,实现网络权重分布的变分近似推断。训练后的CVIN能够基于输入数据产生类别标签的后验分布实现类别预测。实验验证了 CVIN在极化SAR图像分类中的可行性,并证明CVIN是一种有竞争力的极化SAR图像分类方法,具有良好的应用前景。