合成孔径雷达(Synthetic Aperture Radar,SAR)可以全天时、全天候对地物目标进行观测,广泛应用于军事侦察、测绘以及国民经济等领域。图像分类作为SAR图像实际应用的关键环节,具有重要的研究意义。SAR成像技术发展的一个重要趋势是空间分辨率的提高。高空间分辨率的SAR图像可以提供更为丰富的地物信息,但同时也为图像分类问题提出了新的挑战。与中低分辨率的SAR图像相比,高分辨率SAR图像的统计特性发生变化,地物目标信息更加明显,场景更为复杂。图像分类的目的在于更好地解读地物信息,并作以归类或标记。由于高分辨SAR图像的特点,使得很多适用于中低分辨率SAR图像的分类算法无法更好应用在高分辨SAR图像处理中。卷积稀疏表示将二维特征图与相应滤波器的卷积和,代替传统字典与特征向量的乘积和,避免将图像展成一维或者图像分块造成的空间信息的丢失,在图像处理领域得到了广泛关注。基于卷积稀疏表示理论,本文针对高分辨率SAR图像的分类问题进行了研究。论文的主要工作包括以下几个方面:(1)深度学习局部特征提取模型在图像处理领域应用广泛,基于深度学习理论和卷积稀疏表示原理,提出一种多层融合卷积稀疏表示的高分辨SAR图像分类算法。首先,构造一个两层的卷积稀疏编码模型。先对原始SAR图像进行卷积稀疏得到第一层的稀疏特征图;然后,将第一层的特征图输入到第二层卷积稀疏模型中,进行稀疏特征学习,从而获得SAR图像的深层稀疏特征;接着对各个卷积稀疏层提取的特征进行融合,得到图像的高维特征描述。最后训练SVM分类器进行图像分类。经过多组实测SAR图像的实验结果与分析,与多种稀疏表示算法相比,提出的算法可以获得更好的分类效果。(2)SAR图像随着空间分辨率的提高,获得的地物目标信息越来越丰富,能否有效准确地提取这些地物信息,直接影响着图像分类精度,为了提取高分辨SAR场景中丰富的地物纹理与结构信息,提出了一种基于多尺度各向异性卷积稀疏表示的高分辨SAR图像分类算法。该算法将卷积稀疏表示理论与多尺度思想相结合,首先基于SAR图像的低级特征图学习一组各向异性高斯核字典,对整幅特征图进行稀疏分解,获得图像在各个方向的空间结构的稀疏表示;然后基于多尺度高斯卷积核,叠加每个尺度的特征映射,获得高分辨SAR图像在不同尺度空间下的上下文信息,有效抑制斑点噪声的干扰,获得图像的多尺度各向异性卷积稀疏特征描述符,最后训练SVM分类器,实现SAR图像分类。通过三组实测图像的仿真实验与分析,证明该算法相比近几年已有的稀疏表示算法具有更准确的分类精度。