合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种高分辨率微波成像雷达,具有全天时全天候远距离成像能力,且能够大面积高精度获取地表信息等,在道路监测、资源勘测、船舶检测以及农作物产值估测等领域具有非常重要的作用。由于极化SAR（Polarimetric SAR,Pol SAR）相比于单极化SAR,可以获取目标散射机理等方面的信息,因此,基于Pol SAR图像的目标分类和分割等解译技术得到了深入发展。随着深度学习的发展,基于深度学习的图像语义分割技术已取得了显著的成绩。该技术也已成功应用于Pol SAR图像语义分割。然而,原始的基于深度学习的图像语义分割网络主要是针对光学图像提出,因此这些网络的输入数据通常为实数,直接应用于Pol SAR数据难以取得理想的分割结果。针对该问题,本文提出一种轻量级的复数DeepLabv3+（Lightweight Complex-Valued DeepLabv3+,L-CV-DeepLabv3+）用于复数Pol SAR图像语义分割。进一步地,又提出一种基于复数DeepLabv3+和生成对抗网络（Generative Adersarial Network,GAN）的改进方法。具体内容如下:1)提出了一种基于L-CV-DeepLabv3+的Pol SAR图像语义分割模型。与原始DeepLabv3+相比,该模型在结构和参数方面进行了轻量化,以适用于数据集较小的Pol SAR数据,同时减少运算量;此外,该模型是一种复数网络模型,所涉及的复数运算在数学意义上严格成立,能够充分利用Pol SAR数据的幅度和相位信息,挖掘更为丰富的目标特征。Pol SAR数据集的实验结果表明,所提出的网络具有好的语义分割性能。2)提出了一种基于复数DeepLabv3+和GAN的Pol SAR图像语义分割网络模型。该网络模型的主体框架为GAN,其中,生成器由复数DeepLabv3+构成,判别器由实数多分辨卷积神经网络构成。在网络训练过程中,一方面,为了充分利用Pol SAR数据的幅度和相位信息,采用复数DeepLabv3+进行Pol SAR图像语义初步分割;另一方面,引入GAN框架,进一步提高Pol SAR图像语义分割性能。Pol SAR数据集的实验结果表明,基于复数DeepLabv3+和GAN的方法比复数DeepLabv3+具有更好的语义分割性能。