合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式相干成像雷达,能够全天时全天候大面积的对地进行观测成像,同时具有强大的穿透能力和高分辨率等优势,对于遥感信息的获取是一种极其重要的手段,在军事领域和民事邻域都有重要的应用价值。SAR在军事领域最重要的应用是可以实现对特定军事目标的检测和识别,随着不断增强的信息采集能力,借助于机器学习或者模式识别等前沿技术对合成孔径雷达图像进行自动或半自动地解译可以大幅提高数据的处理效率。随着雷达成像技术的发展,我们已经可以获得大量分辨率很高的遥感图像,所以针对SAR图像的目标检测和识别工作已经成为国内外的研究热点。本文关注的是应用深度学习和稀疏表示模型而进行的SAR图像分类任务。SAR图像分类问题,指的是通过各种机器学习算法使计算机自动将各类图像进行有效管理和分类。深度学习作为近年来提出的新的机器学习方法受到了广泛的专注,其发展迅速并且已经在语音识别,图像识别和自然语言处理等诸多领域得到了广泛应用。深度学习模型具有层次特征学习的能力,相比于一些浅层的特征学习模型,深度学习模型通过多层的非线性网络结构学习到关于原始数据的深层次特征,这些深层次特征是对原始数据的抽象表达,它们有效刻画了原始数据的内在信息。稀疏表示模型旨在为数据寻求一种高效的表达方式,研究指出,人类的视觉系统具有对图像进行稀疏表示的特性,基于稀疏表示方法的图像分类工作已经成为模式识别领域的重要研究热点之一。Wright等人首次将稀疏表示方法应用于人脸识别任务,并取得了比传统方法更好的效果。此后,利用稀疏表示方法进行图像分类工作得到了越来越多的关注。本文所做的主要工作如下:(1)研究了的PcaNet模型及其在图像分类中的应用,引入卷积神经网络中的池化操作,在增强了网络鲁棒性的同时减少了数据计算压力,加速了分类效率。(2)针对SAR图像的自身特性,在使用PcaNet模型中引入SAR-SIFT特征描述算子,使得改进后的网络在处理SAR图像的时候更加有效。(3)学习了卷积稀疏编码模型在高分辨图像重构工作的优异表现,将其引入到图像分类的工作中。提出了基于卷积稀疏编码的SAR图像分类方法。通过实验分析了该方法与普通稀疏表示方法在图像分类工作的异同。