世界大洋约有3~4%的面积被海冰覆盖,一方面海冰可以对全球气候、热量平衡、水量平衡有重要影响,是全球气候变化的重要监测因子;另一方面海冰能对船舶航行、海底采矿及极地海洋考察等形成严重障碍,甚至造成特大灾害事件。很多国家都对海冰进行了密切的监测,而海冰分类是海冰监测的主要任务之一。由于合成孔径雷达雷达(SAR)具有全天时、全天候、穿透性强、不受云层遮挡等特点,且其数据量和时空分辨率日益增加,SAR影像成为了海冰分类的主要数据来源。目前基于SAR影像的海冰分类方法可以总结为两类:一类是基于海冰物理特性与SAR成像参数关系的海冰分类,这种方法需要一定的遥感成像专业背景;另一类基于传统的图像特征分类,这种方法往往提取图像的底层特性,对高精度、多类型海冰分类具有局限性。近年来深度学习在图像分类和目标识别方面取得了巨大的成功,为基于深度学习的SAR影像海冰分类研究奠定了基础,但仍面临多方面的挑战:一是基于深度学习方法的图像分类任务依赖于大规模标记数据集进行模型训练,而由于海冰存在的极端环境,实测数据获取困难,目前没有基于SAR影像的大型海冰分类数据集。二是根据海冰发展过程而定义的多种海冰类型在SAR影像上具有较低的可分辨性,如何设计深度学习方法实现基于SAR影像的高精度、多类别海冰分类尚待探讨。基于以上研究背景,本文系统性地开展了基于深度学习方法的SAR影像海冰分类的可行性和分类性能研究,提出了基于时空特征学习相结合的海冰分类框架,在七种类型海冰分类上达到98%的分类精度。具体包括:(1)首先针对深度学习用于海冰分类的可行性及深度网络结构的选择开展研究。将两种典型的深度学习方法:卷积神经网络和深度置信网络,用于SAR影像的冰水分类,对两种网络的分类性能进行基于像素级准确率和基于区域密集度两方面标准进行性能评估,确定了深度卷积神经网络在SAR影像海冰分类方面的潜力。(2)其次提出基于残差卷积神经网络的海冰粗分类方法。本文以粗粒度海冰划分为标准构建了一个四类海冰图像分类数据集(开阔水,年轻冰,一年冰,多年冰),针对构建海冰分类数据集缺乏样本标签的问题,本文将加拿大海冰服务局(Canadian Ice Service,CIS)的冰蛋图海冰类别信息作为参考,选择相应类别海冰的SAR影像区域,以滑动窗口裁剪的方式获取到样本图像和对应标签数据。然后设计了一个适用于SAR影像海冰分类的残差卷积神经网络进行海冰分类。同时针对实际海冰分类边缘出现混合海冰类型的情况,提出了结合集成学习的多模型平均评分策略优化分类结果,最终四类海冰分类精度到达94%,且在海冰密集度评估标准中实验结果与CIS的区域密集度数据较为吻合。(3)最后为进一步提高精细化海冰分类精度,优化了SAR影像海冰数据集,并且基于残差卷积神经网络(Resnet)和长短时记忆网络(LSTM)提出了时空特性相结合的海冰分类方法。本文重新构建了一个七类海冰分类SAR数据集:开阔水,初生冰,灰冰,灰白冰,薄一年冰,中等一年冰,厚一年冰,在原先只有HH极化通道SAR影像的基础上,增加了HV极化通道的SAR影像数据,并且使用基本的Resnet网络提升了单极化通道数据的海冰分类精度。为了提高精细类别的多类海冰分类精度,减少了相近类别海冰分类的错误率,本文首次将海冰类型演变过程中存在的时间维度特征考虑在海冰分类任务中,使用Resnet和LSTM网络同时提取海冰的空间和时间维度特征。实验结果表明七类海冰分类精度达到了98%,制作的海冰分布图与CIS的标注基本一致。本文的主要贡献包括:在缺少大面积海冰标签,并且不同海冰类别在SAR影像上具有较低辨识度的情况下,利用CIS的冰蛋图数据探索了一套利用深度学习方法进行SAR影像海冰分类实验流程,以及构建了一个多类型哨兵一号的SAR影像海冰数据集;设计了一个适用于SAR影像海冰分类的残差卷积神经网络,并针对SAR影像不同类别海冰分类边缘的混合冰型样本,提出了结合集成学习的多模型平均评分策略进行分类结果优化;将多极化SAR数据和长短时记忆网络用于更精细类别的海冰分类任务,提高了多类海冰分类精度。