合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波遥感技术,能够全天候、全天时地获取高分辨率图像,已经广泛应用于军事目标识别、海洋环境监测、城市覆盖调研等领域。SAR遥感图像分类通过分析地物后向散射特性等信息,实现地物分类,是SAR遥感解译的重要内容。然而,由于SAR图像存在固有的相干斑噪声,目标存在歧义性与不稳定性,不同区域特性不均匀等问题,如何自动的实现高精度SAR图像地物分类仍然是亟待解决的难题。本文以实现SAR遥感图像分类为主要研究目标,结合SAR图像的特点,研究基于深度学习神经网络的特征提取与分类方法。本文的主要工作如下:首先,SAR图像固有的相干斑噪声导致其有效特征缺乏,针对此问题,提出了深度卷积自动编码网络,挖掘SAR图像潜在的空间特征。深度卷积自动编码网络采用经典滤波器组构成的卷积层获得初始特征表示,利用尺度变换层去除相干斑噪声,采用多层稀疏自动编码器提高特征的区分性,通过形态学校正的后处理减小相干斑噪声对分类的影响。为了在有限训练样本情况下提高分类精度,提出了权值融合表示分类器,实现了测试样本在训练字典表示“竞争性”与“协同性”之间的平衡,从而进一步提高SAR图像分类精度。其次,SAR图像获得的目标特性存在歧义性与不稳定性,针对此问题,提出了深度监督收缩网络,提取SAR图像样本特征与类别标签之间的相关信息,提高特征表达的区分度与鲁棒性。深度监督收缩网络利用样本标签的监督项来引入高层语义信息,克服目标歧义性的问题;利用编码函数惩罚的收缩项来增强局部不变性,克服目标不稳定性的问题。为了丰富SAR图像的初始特征,提出了多尺度图像块特征提取模型,能够获得SAR图像低层、中层特征描述。为了更好地抑制相干斑噪声对分类结果的影响,提出了基于图割的空间平滑后处理模型,能够减小误分类杂点。再次,SAR图像不同区域特性不均匀导致传统特征提取模型的泛化能力有限,针对此问题,提出了深度循环编码网络,实现全自动的特征提取与分类,增强特征提取模型的泛化能力。深度循环编码网络由图像块循环神经网络和非负:Fisher约束编码网络两部分组成。图像块循环神经网络自主学习像素间的相关特性,能够获得SAR图像的空间上下文特征,实现SAR图像自动特征提取。非负Fisher约束编码网络利用非负约束提高编码表示的稀疏性,采用Fisher约束提高特征表达的类内紧凑性,能够增强特征判别能力,从而达到提高分类效果的目的。最后,开展了基于SAR图像的海洋养殖浮筏分类提取应用研究。针对海洋SAR图像存在更加严重的相干斑噪声的问题,提出了一种迭代低秩表示算法,不仅有效去除海洋SAR图像的相干斑噪声,而且使得养殖浮筏的轮廓信息更加清晰。针对海洋养殖浮筏分类提取问题,分别采用本文提出的三种深度神经网络进行提取,验证本文提出的深度网络在实际应用中的有效性。综上,本文通过对SAR遥感图像的深入分析,研究了基于深度学习神经网络的分类方法,提取了丰富而有效的SAR图像特征,实现了自动的高精度分类,并成功地应用于海洋养殖浮筏分类提取任务,可以为SAR遥感智能解译提供有效方法。