极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种主动式微波雷达成像技术。因为极化SAR数据获取了被观测目标的多通道极化信息,因此具有更丰富的极化信息,获取的目标信息和特征也更丰富。极化SAR地物分类问题是遥感图像分析和解译的重要研究方向。近年来,深度学习算法取得了重大的进展,新方法不断被提出,其在图像分类和识别领域已得到了广泛的应用。比起以往的手动提取特征的方法,深度学习模型能够自动地从输入数据中学习得到更加抽象的特征,这些特征能够更好的被用来分类。本文针对极化SAR数据,基于深度学习的方法和模型,实现了基于深度学习的新的极化SAR地物分类方法。一、基于字典学习和堆栈网络的极化SAR地物分类方法。字典学习是一种无监督学习方法,不需要标签信息,很好的契合了极化SAR数据标签较少且标签获得代价大的问题。首先,我们选取一定比例的无标签数据进行特征提取,然后用K-SVD方法构建出字典。然后,通过脊回归的方法,我们把得到的字典通过运算后作为网络的输入层和中间隐层权值的初始化值,这样就代替了随机初始化。最后,我们还介绍一种堆栈式网络的结构。通过实验表明,我们提出的方法具有较好的算法稳定性。二、把卷积神经网络(Convolutional Neural Network,CNN)用于极化SAR地物分类的任务。以往的分类方法大多是基于单个像素点,很少考虑到邻域信息,而邻域信息作为一种重要的图像信息对分类有着很大的帮助作用。我们基于像素,选取其周围一定大小的邻近区域作为该像素的信息,把该像素单元的类标作为整体邻域块的类标。实验表明,通过邻域信息的运用,分类的准确率有了相应的提高。三、基于CNN的方法在真实的地物边界处很容易在邻域选取时因为地物的复杂性引入过多的干扰信息,所选取的邻域区域已经不能正确代表该中心像素的信息。基于这种情况,我们先用K均值方法对全图进行无监督聚类,得到大致的地物划分,在此基础上,我们提出一种区域一致性判断方法,对不同的区域一致性情况,采取分治的思想,运用不同的方法来进行处理。实验表明,加入区域一致性判断后改善了直接运用CNN所出现的问题。