到目前為止，對極化SAR圖像的研究已經經歷了近三十年的時間，許多經典的極化SAR圖像分類方法被廣泛應用于各個領域，可以說，對極化SAR圖像的研究已經取得了豐碩的成果。如今，極化SAR已經逐漸民用化，使得對極化SAR圖像的白動解譯要求越來越高。盡管現在極化SAR圖像數據的獲取能力已經得到了極大的提升，但是相應的信息處理技術仍然有待發展。

　　本文主要研究基于深度學習和稀疏表示的極化SAR圖像分類方法。深度學習通過組合極化SAR的低層特征形成較為抽象的高層表示（類別屬性或特征），實現對復雜函數的高度逼近，以發現極化SAR的分布式特征表示，可以學習到原始數據的深層特征。而稀疏表示可以減小圖像的冗余度，有利于特征的有效提取。本文提出了三種方法來實現極化SAR圖像的分類。本文首先利用深度網絡和稀疏表示對極化SAR圖像進行特征提取，然后利用SVM分類器進行分類，獲得分類結果。主要工作如下：

　　1）提出了一種基于稀疏主分量分析和稀疏自動編碼器的極化SAR圖像分類方法。首先利用SPCA對極化SAR原始數據進行降維和稀疏表示，克服了現有技術中待處理的高維數據的無關性和冗余性，然后通過SAE網絡挖掘極化SAR數據的深層特征，對原始數據達到高精度逼近，最后利用SVM分類器進行對學習到的特征進行分類。由于極化SAR數據維數較高，利用SPCA對其進行降維處理可以在保持分類精確度的前提下極大地縮短算法的運行時間。除此之外，通過稀疏自動編碼器學習到的特征可以大大地提高圖像分類的精確度。

　　2）提出了一種基于CS稀疏表示和深度棧式網絡的極化SAR圖像分類方法。基于壓縮感知的思想構造了一個兩層的棧式網絡來對極化SAR原始數據進行特征學習，找到更能描述數據的結構特征。在本方法中，我們首先用兩層棧式網絡對極化SAR圖像原始數據進行特征提取，然后利用SVM分類器進行對獲得的特征進行分類，得到最終分類結果。實驗表明，采用本方法對極化SAR圖像進行分類可以得到較好的結果。

　　3）提出了一種基于SPCANet的極化SAR圖像分類方法。基于深度學習的思想構造了一個兩層的網絡來對極化SAR原始數據進行特征學習，以獲得對極化SAR數據較好的表述形式，然后利用SVM分類器進行對學習到的特征進行分類，實驗表明，該方法計算量小，簡單有效，容易理解，并具有普適性。