PolSAR(Polarimetric Synthetic Aperture Radar)图像分类的传统方法在前期需要对数据进行特征提取, 涉及较多的人为参与, 且分类精度有待进一步提高。此外, 在采用监督分类方法时, 某些地物存在小样本问题, 针对这些问题并结合PolSAR图像精细分类的需求, 提出基于3D卷积神经网络的PolSAR图像地物精细分类方法, 将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中, 利用PolSAR数据多通道特性, 充分挖掘数据中的信息, 提高分类性能, 并采用虚拟样本扩充的方法改善某些地物的小样本情况, 获得更好的分类结果。实验结果表明: 3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能, 且虚拟样本扩充方法能够有效改善小样本分类问题。

针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类；第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.

与全极化相比, 简缩极化合成孔径雷达(SAR)因其更宽的幅宽, 在海洋监视方面具有先天的优势。针对星载简缩极化SAR图像海上舰船目标检测, 在全极化及简缩极化SAR特征参数提取方法研究基础上, 基于实测Radarsat-2全极化数据模拟的混合极化(CTLR)模式简缩极化SAR图像数据, 通过归一化距离对所提取极化特征参数的舰船目标和海杂波背景区分能力进行了系统分析与比较, 在此基础上进一步对全极化及简缩极化的极化特征参数相似性进行了定量分析与评估, 得到简缩极化和全极化的舰船目标检测分析结果。结果表明, 简缩极化SAR的检测性能总体上接近于全极化。

与全极化相比，简缩极化合成孔径雷达 (SAR)因其更宽的幅宽，在海洋监视方面具有先天的优势。针对海上舰船目标检测，提出一种基于加权支持向量机 (SVM)和m-χ分解的简缩极化 SAR图像舰船检测方法。该方法首先对简缩极化的极化参数进行提取，构造加权特征向量，然后基于加权 SVM分类器对简缩极化 SAR图像舰船目标进行检测，最后利用 m-χ分解后 3个分量对应不同散射机制的差异进行虚警去除。基于 NASA/JPL AIRSAR机载以及 Radarsat-2星载全极化实测数据模拟的圆极化发射线极化接收 (CTLR)模式的简缩极化数据实验结果表明，该方法能在舰船目标检测的同时，有效去除虚警和模糊噪声。

两层植被结构模型是传统三阶段植被参数反演方法的基础，当实际植被结构为三层结构时，三阶段植被参数反演方法精度变差.针对该问题，建立了与三层植被结构模型对应的极化SAR干涉复相关系数模型，分析了传统三阶段植被参数反演方法精度变差的原因，提出了基于双基线极化SAR干涉的三层植被参数反演新方法，新方法充分考虑了三层植被干涉复相关系数的特征，比传统的三阶段植被参数反演方法更适合于三层植被结构，反演性能更好.实验结果验证了所建的复相关系数模型的正确性和反演新方法的优越性.

本文提出了一种极化SAR 图像分类的新方法,该方法将传统极化分解与子孔径分析结合起来。首先将全分辨率极化SAR 图像分解成几个子孔径图像,利用子孔径分析对两类非平稳目标进行检测,得到场景中的非平稳目标。然后对全分辨率图像的相干矩阵进行特征分解,得到熵(H)和α 角两个参数,并在H-α 平面上对地面目标进行分类;最后,将非平稳目标检测结果与H/α 分类结果结合起来,对极化SAR 图像进行更为精细的分类。仿真结果表明,本文提出的方法取得了更好的分类效果。