极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)已经成为遥感领域最重要的遥感信息获取传感器之一,除了具有全天时、全天候的优点,它还能够发送和接收不同极化方式的电磁波,这使得全极化SAR相比于单极化SAR可以获取更加丰富的地物信息。因此,全极化SAR在军事、农业、环境监控等领域已经得到了广泛的应用。全极化SAR图像分类方法是全极化SAR数据理解和解译的关键,本文从分类器的改进和特征提取两个方面入手主要研究了基于自步学习和深度学习的全极化SAR地物分类方法。通过自步学习这种学习机制可以增强分类器的泛化能力,以提升对全极化SAR图像中复杂场景的分类精度。而深度学习方法可以对全极化SAR原始数据进行非线性映射和表示,实现对SAR数据的抽象描述得到具有更强表征能力的分类特征。本文的主要内容包括以下几点:(1)为了提升对全极化SAR图像中复杂场景的分类精度,提出了一种基于自步支持向量机(SPSVM)的全极化SAR图像分类方法。该方法根据自步学习的思想对传统的SVM模型进行改进,在训练分类器的过程中先学习SAR数据中简单的样本再逐渐引入复杂的样本进行学习。通过这一学习过程,增强了传统SVM分类器的泛化能力,提升了分类器的分类性能,特别是对复杂场景中地物的分类性能。另外,为了充分利用SAR图像中的空间邻域信息,我们对自步学习中的正则项加以改进,将邻域信息作为约束引入到样本权重的计算过程中。实验结果表明,该分类方法提高了图像中复杂场景的分类精度,能得到稳定的分类结果。(2)针对传统方法提取全极化SAR数据的极化、纹理等特征缺乏对原始数据最本质的表示这一问题,提出了一种基于自步栈式自编码网络(SPSAE)的全极化SAR分类方法。栈式自编码网络不仅可以对极化SAR原始数据进行学习和表示,挖掘出原始数据中表征能力更好的抽象特征,还具有易于训练的优点。而自步学习可以帮助网络跳过局部最优解收敛到更好的解,增强网络的泛化能力。实验结果表明,我们提出的SPSAE模型即使在较少样本下也具有易于优化,泛化能力强的优点。(3)为了充分挖掘全极化SAR图像四个通道(HH、HV、VH、VV)间的关联信息和图像空间信息,提出了一种基于自步卷积神经网络(SPCNN)的全极化SAR分类方法。在本方法中,我们构造了一个6层的卷积神经网络,利用每个像元在四个通道上的散射强度值和Pauli基下的RGB颜色信息及其邻域信息构成三维的张量块对其进行表示,再利用卷积神经网络同时挖掘通道、空间信息提取用于分类的抽象特征。在网络学习的过程中,通过自步学习方法对整个学习过程进行优化,帮助网络收敛到更好的解,从而提升了网络的泛化能力。实验结果表明,我们提出的SPCNN方法得到的分类结果具有更好的空间一致性。