全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)是一种先进的对地测量系统,能同时获取4个极化通道的SAR图像。因此,通过全极化SAR图像可以获得丰富的地物信息。图像分类是极化SAR系统的一个重要研究内容,在农林业规划、环境保护等领域都有着广泛的应用,开展全极化SAR图像分类研究对于提高SAR遥感的应用水平具有重要的理论意义及实用价值。近年来,在光学领域图像分类算法发展迅速,出现了很多新的模型或概念,如词袋模型,空间金字塔、稀疏编码,特征表达等,从事全极化SAR图像分类的研究人员纷纷借鉴光学图像分类中的优秀算法和概念,针对全极化SAR图像提出了很多新的的特征表达和特征编码方法,且取得了较好的成绩。2006年,Hinton等人在光学领域首次提出了深度学习的概念,开启了特征学习的研究,它能通过构建多层网络模型自动的从原始图像中学习出更本质的特征,从而有利于分类研究。此后,深度学习的相关研究如火如荼,在光学图像分类领域更是创造了诸多奇迹。本文引入深度学习的思想进而实现全极化SAR图像的分类,但极化SAR图像不同于光学图像,不能将光学图像中的深度学习模型直接用于全极化SAR图像分类,主要存在如下几个方面的问题：(1) SAR图像与光学图像在成像方式上有很大不同,光学图像是通过可见光传感器成像,可以获得地物的灰度信息,而SAR是通过微波传感器成像,然后以二进制复数形式记录地物的回波信息；另外,SAR图像所固有的相干斑噪声十分严重,信噪比极低,大部分信息都被淹没在相干斑噪声里,严重影响了全极化SAR图像解译及后续的应用,因此PolSAR数据需要处理后才能利用深度学习模型进行分类；(2) 全极化SAR能同时获取4个不同通道的SAR图像,在互易媒质的后向散射情况下,同一地物也对应着3幅单极化SAR图像,而原有的深度学习模型都是建立在单通道数据上的,不能充分的利用全极化SAR图像丰富的地物信息；(3) 深度学习往往需要大量数据对多层网络模型进行训练,而目标全极化SAR图像往往没有足够的数据来训练多层网络模型。为了充分利用深度学习的优势进行全极化SAR图像分类,就需要在深度学习和极化SAR图像之间构建一座桥梁,同时需要构建适合全极化SAR图像的多层网络模型用于特征学习和分类。本文从极化SAR基础理论出发,在描述极化SAR统计分布模型和极化分解等原理的基础上引入了深度学习,为了解决深度学习引入全极化SAR图像过程中遇到的一些问题,本文主要做了3个方面的工作：(1) 考虑到SAR图像的成像机理不同于光学图像,深度学习往往不能直接用于极化SAR图像分类,本文构建了一个基于统计分布的网络结构单元,以在深度学习和全极化SAR图像之间构建一座桥梁；(2) 为了充分地利用全极化SAR所包含的丰富地物信息,本文从特征融合和特征学习两个不同的角度构建了两个多层网络模型用于特征提取和分类。第1个多层网络融合了多种类型的特征,采用字典学习实现了空间金字塔特征表达,并构建了一个双层SVM实现了全极化SAR图像的分类。第2个多层网络是对多层反卷积网络进行了改进,构建了一个适合全极化SAR图像分类的多层反卷积网络,同时在反卷积网络中引入了一种新的软概率池化方法;(3) 考虑到目标极化SAR没有足够的数据用于多层网络的训练,本文引入了迁移学习的方法,采用相似的极化SAR数据对多层网络进行训练,将多层网络学习的特征作为中层表达,再用目标极化SAR图像对中层表达迁移学习,以能对目标极化SAR数据进行更准确的分类。论文在解决上述理论和技术问题的基础上,利用多个多层网络模型对全极化SAR图像进行了分类研究,在中国电子集团第三十八研究所获取的X波段单航迹海南省陵水县全极化SAR数据上进行了实验,实验结果表明多层网络模型在全极化SAR图像分类领域确实具有很大的潜力。