极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）因其具有全天候、全天时、多波段等成像特点,对极化SAR图像解译可以获取丰富的极化信息,因而在实际生活中有着广泛地应用。极化SAR图像分类所需的特征一般由人工提取,不同的特征选择过程所提取特征质量也不相同,这会影响到图像分类算法的鲁棒性。深度学习在处理数据时,能自动提取特征数据的深层结构信息,获取的深度特征往往比通过极化散射矩阵直接提取或目标分解得到的特征对图像信息的表征能力更强;在图像分类方面,深度学习通过对输入样本进行抽象化学习来获取图像数据深层次的结构信息,从而构建稳定的分类器模型。因此,本文以提高极化SAR图像分类准确率为主要目标进行研究,从以下两个方面展开分析:1.传统的特征选择算法一般是筛选重要度高的部分特征作为图像信息的表达特征,这些特征只强调特征与类别的相关性而忽略了特征间冗余作用的影响,导致获取的特征质量较低,为了充分发挥不同类型的极化特征组合对图像信息的表征能力,本文给出了最优特征与卷积神经网络（Convolutional Neural Network,CNN）结合的极化SAR分类算法。该算法首先对滤波后的极化SAR数据进行目标分解获取一组多维特征集;然后利用特征过滤算法对特征集进行初次筛选,降低特征集的维度;接着以粒子群算法（Particle Swarm Optimization,PSO）作为特征选择过程的搜索策略,以支撑向量机（Support Vector Machine,SVM）的损失函数作为评价准则对筛选后的特征集进行二次筛选得到最优特征集;最后将最优特征集输入到CNN进行训练并完成分类。实验结果表明该方法得到最优特征集表现良好,取得了较好的极化SAR图像分类准确率。2.由于传统的特征选择算法在处理大规模数据时设计较为复杂且效率低,而深度学习能有效处理大规模数据以及挖掘数据更深层次信息,因此本文给出了一种基于深度特征的极化SAR图像分类方法。首先利用多维原始特征集对受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）进行预训练,结合RBM网络的数据重构特性计算每个输入特征的重构误差,用于消除原始特征集中的冗余特征,再将剩余特征和对应权重初始化RBM网络并训练深度玻尔兹曼机（Deep Boltzmann machines,DBM）,输出一组抽象化的深度特征。最后利用深度特征训练softmax分类器并通过测试得到分类结果。实验结果表明深度特征选择方法处理大规模数据的效率更高,同时提升了图像分类准确率。上述给出的两种极化SAR图像分类方法均使用美国AIRSAR机载系统实测采集的两组数据进行验证,结果表明本文提出的两种方法均能有效的提升图像分类效果。