极化合成孔径雷达（PolSAR）是近年来遥感领域最先进的传感器之一。与单极化SAR相比，它通过测量地面每一分辨单元内的全极化散射回波获取目标的极化信息，更完整地记录了目标后向散射信息，为详尽分析目标散射特性提供了良好的数据支持。极化SAR图像分类是极化SAR图像解译的重要研究内容和关键技术之一，在民用和军用领域都有重大的理论意义和应用价值。　　现有极化SAR图像分类方法大多以像素为基本分类单元。基于像素的方法能保持分类图像的地物细节，但其性能容易受到相干斑噪声的影响。为解决该问题，我们在分类过程中考虑加入像素空间相关性，具体做法是将像素邻域内的像素点一起作为当前像素点的特征。由于相邻像素点之间存在冗余性，因此考虑用降维方法剔除冗余信息。传统的PCA降维方法是针对向量形式的输入数据，而极化SAR数据本身是一种张量形式的数据，将张量向量化会丢失极化SAR数据原本的内部结构信息。针对这一问题，我们提出了基于多线性主元分析的降维方法。多线性主元分析是PCA的一种扩展形式，可以处理张量形式的数据。该算法得到的分类结果图更平滑，区域划分更清晰，分类正确率得到了提高。　　传统的特征提取都是根据特定的分类问题人工设计出符合该分类问题的特征，需要设计人员对问题有深入了解和获得一定的先验知识。提出自适应的特征提取算法是我们急需要解决的问题。深度学习的提出为我们解决该问题提供了可能。我们为解决特征自适应学习的问题，提出了基于深度堆栈网络的极化SAR图像分类方法。这是一个多层的神经网络，由一些简单的模块堆叠而成。由于输出层的线性关系，我们可以很容易地求解出参数值。深度堆栈网络能自适应学习出极化SAR数据最本质的特征，不需要人为干预，分类效果好，且算法简单耗时小。　　通常一个好的特征需要三个特性：每个样本都只用很少的非零特征来描述，每个特征只允许在少量的样本内被激活，每种特征都应该具有相似的统计特性。为了让我们学习的特征具有这三个特性，我们在深度堆栈网络的隐含层中加入了稀疏正则项，约束隐含层去学习我们想要的特征，我们将这种网络叫稀疏深度堆栈网络。我们利用多线性主元分析能处理张量的优势和稀疏深度堆栈网络能自动提取特征的能力，提出了基于多线性主元分析和稀疏深度堆栈网络的极化SAR图像分类方法。该方法既考虑了空间信息，又保留了数据的内部相关性，同时又能自动学习最适合分类的深度特征，在实验数据上取得了良好的分类效果。