极化合成孔径雷达(Pol SAR)作为合成孔径雷达技术中一个重要的研究方向,在农业生产、城市规划、海冰监测等众多领域内具有巨大的应用价值。当前国内外学者提出了大量的有监督的和无监督的极化SAR图像分类算法。然而这些分类方法中存在很多缺陷,例如很多算法都是单纯地使用物理极化散射信息或者使用单一的模型进行分类,这在一定程度上导致地物类别模糊;另外很多算法不能直接的从原始数据中提取特征,它们需要人工精心的设计各种模型或者是分解理论算法去提取特征,这十分费时费力,且计算比较复杂。此外大多数算法是以单个像素处理为目标的,没有考虑到相邻像素的影响。近20年来,大量机器学习技术已的经被引入到极化SAR图像处理领域,而目前提出的深度学习理论引起了诸多学者的关注,其在语音识别、自然语言处理、自然图像处理等领域获得了巨大的成功。本论文将深度置信网技术和极化SAR数据的极化散射特性结合起来,对极化SAR图像分类技术进行了探讨。本文在第三章首先提出了一种新的基于多特征融合和DBNs的极化SAR图像分类方法。其主要思想是结合使用极化SAR图像的散射特征(相干矩阵元素和H/?分解的参数)和数字图像特征(灰度共生矩阵的参数)以及颜色直方图特征去训练一个由多个无监督模型(本文使用的是受限玻尔兹曼级,RBM)组成的DBNs模型,这有效的克服了传统神经网络容易收敛到局部最优,计算复杂等缺点。与基于神经网络和支撑向量机的算法相比,该算法在L波段旧金山湾极化数据取得了更好的分类视觉效果和更高的分类精度。接着在第四章中,介绍了一种基于特征自学习和DBNs的极化SAR分类方法。在该方法中,我们首先将极化SAR数据的相干矩阵转化成一个9维的极化的SAR数据;然后在每个维度面上随机地抽取大量的patches(即以某个像素点为中心取的一个邻域),并将这些patches拉成列向量去训练一个RBM,通过这个RBM我们可以获取9维极化SAR数据每个维度面的结构特征,这些特征充分考虑了相邻像素间的邻域关系。考虑到极化SAR数据的散射特性,我们将上述通过RBM学习到的特征和原始相干矩阵的元素组合在一起去训练一个DBNs网络,并将其用于极化SAR数据分类。本算法考虑到了像素点之间的空间相关性,很好的保留了边缘的细节完整性,取得了较高的分类精度。最后,我们在真实的极化SAR数据上进行了仿真实验,本算法考虑到了像素点之间的空间相关性,,很好的保留了边缘的细节完整性,取得了较高的分类精度。