极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR),简称极化SAR,它是一种主动遥感技术,具有全方位,高分辨率,覆盖面积大的优点,与其他合成孔径雷达相比,极化合成孔径雷达拥有多种发射接收模式,可以获得地物目标更加丰富的信息,从而可以更加精确地对目标地物进行地物分类、变化检测、变化识别,所以本文选用极化SAR数据为研究对象。当前多数极化SAR图像变化检测方法都是基于差异图聚类的方式进行的,这种方法对相干斑噪声不鲁棒,在进行变化检测前必须对极化SAR数据进行去噪,否则变化检测结果中往往会出现大量的虚警和漏检,且这类方法只能给出发生变化的区域,不能进一步揭示该区域发生了何种变化。本文提出了三种基于协同分割的极化SAR图像变化检测方法,从图像分割的角度进行变化检测,避免了对差异图的依赖,增强了算法对噪声的鲁棒性,不仅能给出发生变化的区域,还能给出其具体发生了何种变化,做到变化识别。本文主要内容包括以下几点:(1)极化SAR图像普遍存在相干斑噪声,这些噪声会影响变化检测的精度。用于变化检测的两时相就极化SAR图像像素之间存在一一对应的关系,它们之间有一定的概率属于同一种地物类别,为了充分利用此先验信息,克服相干斑噪声的影响,提升协同分割和变化检测的精度,本文提出了一种无监督的基于空间约束协同分割(SCCS)的极化SAR图像变化检测方法,我们使用全概率公式对像素之间一一对应的关系进行了建模。首先,提取了极化SAR的极化特征,使用光学特征和极化特征构造了一个能量函数,通过EM算法求解该能量函数最小化的优化问题,得到初始的分割结果;通过空间约束算法,对初始的分割结果进一步优化,得到最终的分割结果和变化检测以及变化识别结果。实验结果显示,该方法不仅可以获得较为准确的分割结果,而且给出的变化检测和变化识别结果也更准确。(2)极化SAR普遍存在同物异谱,同谱异物的特点,SCCS方法在地物分割上很难达到极高的精度;其次,SCCS是传统的无监督协同分割方法,它要求两时相的极化SAR图像所包含的地物类别总数必须一致。为了解决以上两个问题,我们提出了一种基于极化特征先验与深度协同分割(DLCS)的极化SAR图像变化检测方法,该方法为有监督的学习方法,构造了一个PCSNN网络,该网络可以将极化SAR的光学特征和极化特征有效地结合起来使用,使用了一定比例带标签的极化SAR数据对网络进行训练,有效地解决了SCCS方法存在的两个问题。同时提出了变化概率图阈值分割的变化检测方法,有效地降低了变化检测结果在类别边界处的虚警,提升了变化检测的精度。实验结果显示,论文提出的方法在地物分割、变化检测、变化识别上都取得了极高的精度。(3)为了提升DLCS方法的泛化能力,我们提出了一种基于迁移学习协同分割(TLCS)的极化SAR图像变化检测方法,使用了DLCS方法中的PCSNN网络和变化检测方法,使用源域的极化SAR数据对网络进行预训练,使用少量目标域带标签的数据对已经训练好的神经网络进行训练微调。实验结果显示,提出的方法仅需要少量的带标注的数据对神经网络进行微调,就可以取得很好的地物分类、变化检测和变化识别效果,得到泛化能力更强的网络模型。