极化SAR地物分类作为遥感图像解译的基础,成为遥感领域中重要的研究方向。近年来,深度学习引起了诸多学者的关注,也在不同领域获得了巨大的成功,然而深度学习需要大量的训练样本来保证网络的性能,而极化SAR领域存在标记样本缺乏的问题限制了深度学习在该领域的应用。半监督学习可以在少量标记样本的情况下,利用大量无标记样本来提升模型的分类效果,因此,研究如何在半监督学习思想下结合深度学习的优势实现极化SAR地物分类具有重大意义。本文在国家自然科学基金面上项目(基于协同半监督学习和稀疏表示的极化SAR地物分类,61173092),国家自然科学基金面上项目(基于生成式对抗网络的极化SAR地物分类,61771379)等项目的支持下,针对极化SAR地物分类的小样本问题,提出了一系列基于半监督梯形网络的改进方法,主要研究成果有:1.提出了一种基于鲁棒梯形网络(Robust Ladder Network,RLN)的极化SAR地物分类方法。利用梯形网络在网络结构上的优势,将监督学习和无监督学习在理论层面相结合,从而更充分地利用无标记样本辅助模型学习。同时,为了获得更鲁棒的模型,我们从无监督学习的角度设计了稳定性损失函数,用来降低同一样本多次通过网络时输出向量的差异,并从监督学习的角度设计输出向量的互斥损失函数,从而构建了基于鲁棒策略的梯形网络,不仅解决了极化SAR地物分类中的小样本问题,也有效提升了模型的鲁棒性。最终通过实验验证了该方法的可行性与有效性。2.提出了一种基于Wishart梯形网络(Wishart Ladder Network,WLN)的极化SAR地物分类方法。首先根据极化SAR数据服从的复Wishart分布推导Wishart度量距离,然后基于半监督学习的流形假设和Wishart距离在训练集上构建近邻图,定义Wishart梯形网络的目标函数,使用决策函数在近邻图上的平滑性作为正则项来优化模型。最后根据空间一致性假设,为极化SAR像素点引入邻域信息,在一定程度上降低了相干斑噪声的影响,有效提升了模型的分类效果。3.提出了一种基于注意力机制和梯形网络(Attention Ladder Network,ALN)的极化SAR地物分类方法。现有方法对邻域信息的引入虽然会在一定程度上提升分类效果,但也带来了数据信息冗余,同时不可避免地引入噪声干扰。针对上述问题,本文方法基于注意力机制的思想,在梯形网络中分别设计了注意力编码器和注意力解码器,使模型在学习的过程中自动筛选出对当前任务有用信息,从而提取有注意力感知的特征,提高模型的学习效率。实验证明,该方法能够有效地提高模型的收敛性。