极化合成孔径雷达作为一种高精度成像雷达,其发射的电磁波具有很强的穿透力,在军事、工农业中发挥着重要的作用,因此有关极化SAR图像解译的研究逐渐发展起来,其中极化SAR分类问题是遥感图像解译领域的一大分支。传统的极化SAR分类方法依赖于极化SAR数据的相干特性,而没有利用图像的空间信息,不能达到很好的分类效果。本文的主要工作是基于空间信息和长短时记忆网络的极化SAR图像分类的研究,以深度置信网络和长短时记忆网络为基础,将其应用于极化SAR分类中,本文的主要工作如下:1.研究了一种基于图像空间信息的深度置信网络的极化SAR分类方法。该方法以深度置信网络为基础分类网络,首先将待分类的极化数据进行预处理并得到其相干矩阵,然后利用相干矩阵对深度置信网络进行训练,提取极化SAR数据的特征,并经过softmax层进行初步分类,最后引入数据的局部空间信息对初分类结果加以优化,取得了较好的分类结果。2.研究了一种基于SAE-LSTM网络的极化SAR分类方法。由于极化SAR数据中包含丰富的极化散射信息,仅对极化相干矩阵进行处理不足以表征完整的地物信息,因此本文首先利用多种目标分解方法对极化SAR数据进行处理,得到其多维特征向量,然后利用SAE网络对获得的多维特征向量进行特征选择,获得对分类效果贡献度大的特征。最后,考虑极化SAR数据的空间时序信息,利用LSTM网络实现对极化SAR图像的分类。3.研究了一种基于超像素分割的SAE-LSTM极化SAR分类方法。该方法首先利用SAE网络对多维特征向量进行特征选择,选择出有利于分类的特征向量。其次,采用基于特征分解的超像素分割算法,将选择出来的特征用于生成超像素块。最后,将LSTM网络得到的初分类结果与超像素块进行比对,根据超像素块的标签去校正与之对应位置的预测标签,得到最终的分类结果。