合成孔径雷达图像领域开放数据集较少、图像相干斑噪声等因素,导致一些基于合成孔径雷达图像地物分类应用的精度偏低。深度学习中卷积神经网络和迁移学习技术在语义分割领域的应用取得了较好的效果,卷积神经网络可以提取图像的高层特征,迁移学习技术使用源域的先验知识帮助语义分割模型的训练,为提升基于合成孔径雷达图像的地物分类应用的精度提供了新思路。针对合成孔径雷达图像语义分割数据集较少的问题,采购了研究区域内的Terra SAR-X双极化数据一景,对这景Terra SAR-X双极化数据进行处理后,得到伪彩色图像数据、H/A/alpha-L1图像数据和H/A/alpha-wishart图像数据。通过委托专业测绘机构和研究人员标注的方式,对研究区域的地物进行标注。制备了数据量充足的合成孔径雷达数据集GDUT-Nansha。针对传统卷积神经网络在模型存储和预测速度上的缺陷,对ENet进行了冗余结构和上采样方式上的改进,提出了轻量化语义分割模型RWL-ENet,使用了加权的交叉熵损失函数,增强了模型对于少样本类别的分割效果;通过实验,评估了相干斑噪声对语义分割模型的影响;与经典语义分割模型进行对比,验证了RWL-ENet在保证模型精度的前提下,模型存储降低、预测用时减少。在RWL-ENet的基础上,引入迁移学习技术,以CCF光学遥感数据集为源域,合成孔径雷达图像为目标域,与不采用迁移学习策略相比,在适宜迁移学习策略下,模型训练中振荡更小、训练时间有较大缩减,模型精度也有小幅提高。在使用适宜微调策略和超参数的前提下,通过对合成孔径雷达图像三种子数据集和CCF光学遥感数据集进行组合,得到五种不同的迁移学习策略,用以研究源域和目标域的相关性强弱对迁移学习效果的影响,实验发现,对于合成孔径雷达数据,数据集中三种子数据集之间的迁移学习能得到更好的结果,源域和目标域相关性更强的几种组合在训练时间和精度上的表现优于其它几组。最后,选取模型性能较好的迁移学习策略,通过模型集成进行结合,与集成前任意模型精度相比,集成后的预测精度都有着较大的提升。