极化SAR图像地物分类任务是遥感数据分析中的热点话题。传统的极化SAR分类方法大多是基于目标的极化特性与数据的散射特性展开的。近年来,随着计算机技术的发展,深度学习在计算机视觉领域展现出了优异的性能。受此启发,研究人员将深度学习方法用于解决极化SAR地物分类问题,得到了较高的分类精度。然而将深度学习的方法应用于极化SAR数据时,面临着下面的问题。首先,不同于光学图像,极化SAR数据的表征向量往往维度较高。并且,由于极化基的不同以及对极化数据的观测角度不同,同一数据拥有多种不同的表征形式,我们把它称为多模态表征特性,深度学习的方法无法充分且合理的对这一特性进行利用。其次,基于深度学习的极化SAR地物分类器,需要大量的标签信息来参与分类器的训练。然而,获取这些标签信息费时费力。因此,如何充分利用极化SAR数据的特性,在标签信息有限的情况下,提高极化SAR地物分类器的性能,仍然面临着重大的挑战。本文在深度学习理论的基础上,根据极化SAR数据的多模态表征特性,提出利用自监督表征学习的思想,从无标签数据中提取高级语义特征表示。获取的信息可以为基于深度学习的极化SAR地物分类器提供先验知识,从而降低网络对标签数据的需求。针对标签数据有限的情况,本文致力于研究如何从大量的无标签数据中提取有用的信息,提高分类器的分类准确率和鲁棒性。论文的主要工作如下:针对在标签数据有限的情况下,基于卷积神经网络的分类器分类准确率不高,鲁棒性差的问题,提出了用于极化SAR数据的自监督分类模型,通过设计辅助任务的方式从无标记数据中提取有用信息用于提高地物分类任务的准确率。基于数据的多模态表征的特性结合自监督学习用于地物分类模型的一般框架,提出了一种基于模态预测的自监督极化SAR地物分类方法,有效的提高了分类准确率。针对如何设计更好的自监督辅助任务,提取极化SAR数据的高级语义表征的问题,本文在对比学习思想的基础上,提出一种基于模态对比的自监督极化SAR地物分类方法。利用模态对比的方式构建正、负样本对,同一数据的不同模态表征可以视为一组正样本对,而其余样本各个模态表征可以视为该样本的负样本。通过从样本集合中鉴别正样本对的方法设计自监督分类模型的辅助任务,提取高级语义特征,提高分类性能。针对如何提取泛化性能更强的高级语义表征的问题,提出了一种基于互信息提取的自监督极化SAR地物分类方法。该方法的主要思想基于以下观测事实,同一样本的不同模态表征之间应具有较高的相似性。而不同样本的同一模态表征之间应具有较高的差异性。因此,本文通过将不同样本的各个表征映射到潜在空间,通过对上述相似性与差异性互信息进行提取,大量无标记样本中的信息获得有效利用,大幅度的提高了分类性能。