在遥感探测中,极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)具有全天时,全天候的工作特性,利用极化SAR图像对地物地形进行分类,被广泛的应用于城市规划,自然灾害,农业生产的预测方面。近年来,随着深度学习方法的快速发展,极化SAR地物分类的发展也更加趋于精确和快速。然而,极化SAR数据有标签的样本非常稀少,而深度学习方法的训练过程通常需要大量的有标记样本,这导致深度学习方法应用在极化SAR地物分类上具有极大的限制。本文针对极化SAR地物分类的小样本问题,以全卷积网络和贝叶斯深度学习为基础,将其应用于极化SAR地物分类中,本文的主要工作如下:1.基于Bayes FCN模型的极化SAR地物分类方法。该方法以FCN为基础网络,方便于实现极化SAR数据的像素级分类任务,引入贝叶斯深度学习思想,以一个高斯分布的形式将所有卷积层的权重和偏置进行初始化,使用变分推理和卷积层的局部重参数化方式实现贝叶斯的反向传播,通过将贝叶斯学习的KL散度和交叉熵损失相结合,共同学习网络的参数,提高模型的分类精度。该模型的训练只需要少量有标记样本,有效解决了小样本问题。2.基于Bayes FCN-Mix Match模型的极化SAR地物分类方法。虽然使用了贝叶斯深度学习的能够学习数据的不确定性,但是没有利用无标记样本。为了进一步提高模型的分类准确率,引入Mix Match半监督学习思想,对样本进行数据增强,然后计算无标记样本的平均类别概率,之后在Sharpen算法下得到最小化的无标记样本“猜测”标签,将有“猜测”标签的无标记样本和有标记样本使用Mix Up算法混合样本得到模型的训练集,损失值由监督项、无监督项和KL散度共同构成,使模型可以在少量有标记样本下,利用大量无标记样本辅助训练,通过这种方式进一步提升模型的分类效果。3.基于稀疏Bayes FCN-Mix Match模型的极化SAR地物分类方法。Bayes FCN模型有一个明显的缺点,就是使所有卷积层的权重和偏置服从高斯分布,导致其参数由单值变成了均值和方差两个参数,这使得相同网络结构下,Bayes FCN模型比FCN模型的参数量高一倍,而过高的参数量容易导致模型过拟合,影响模型的分类精度。本文在贝叶斯深度学习的基础上,并与稀疏贝叶斯方法相结合,使模型具有稀疏化特性,同时为了保证模型的稳定性,引入Mean Teacher方法使模型参数更加平滑,使网络提高分类精度的同时更加具有鲁棒性。