深度学习(Deep Learning)作为机器学习研究中的一个新的领域,对于人工智能技术的发展拥有前所未有的重要性,它以云计算对大数据的并行处理能力和算法为基础,构建一个更加贴近于人脑思维方式的学习网络,使计算机找到如何处理“抽象概念”的方法,使计算机更加智能。作为一种基于无监督特征学习和特征层次结构学习的方法,深度网络拟在模拟人脑的思维机制来解释数据,构建模拟人脑进行分析和学习的深层次神经网络模型,通过组合底层特征形成更抽象的高级特征来表达事物的属性,以发现数据的分布式特征表达。深度学习的两个核心内容,一是对网络的合理构建,二是网络的有效学习,因此,对于深度学习网络构建和学习算法的研究尤为重要。针对这一有意义的课题,本文进行了深入的分析和研究,并将构建的深度网络用于极化SAR影像地物分类的应用上,取得了良好的效果。主要工作和研究成果如下:(1)构建了混沌模拟退火自编码网络和混沌模拟退火深度小波网络,并提出了一种基于模拟退火的深度网络学习算法。在网络的构建中,充分应用自编码原理和小波分析理论,构建自编码网络和小波域分析下的深度小波网络。在网络的学习算法实现中,本文将模拟退火思想引入深度网络的权值优化部分,解决了传统方法优化网络时容易陷入局部最优的问题;并在上述算法的基础上引入混沌模型,解决了模拟退火算法收敛速度过慢的问题,实现了全局搜索的快速寻找。该算法分类精度高,大大缩短了网络的训练时间,取得了突破性的进展。(2)构建了知识自编码网络和知识深度小波网络,在现有自编码网络和深度小波网络模型基础上引入知识表示和应用的概念,构建基于知识的深度网络。由网络自动提取原始数据的高级特征表达原始数据,并将极化SAR数据特有的Wishart概念作为知识层引入网络,通过前式优先和显著性优先的原则充分利用知识层的先验知识提高了网络的分类精度。该算法解决了传统方法中对于极化SAR影像分类时精度较低的问题,实现深度网络模型的合理构建。(3)将进化算法PSO全局搜索的思想引入深度网络的权值寻优过程中,以PSO、自适应PSO、正交PSO、量子PSO、模拟退火PSO为理论指导,构建深度网络的进化学习算法。在本文的工作中,充分利用上述五种不同的以PSO思想为核心的进化算法构建深度网络和学习算法,并将所构建的网络和算法应用到极化SAR影像地物分类问题中,实现极化SAR影像地物分类应用,并对极化SAR影像地物分类结果进行分析和评价。该方法类别选择灵活,具有较强的普适性和优秀的可移植性,丰富了深度网络的学习方法,具有良好的鲁棒性。