合成孔径雷达（Synthetic Aperture Radar,SAR）由于具有全天时全天候对地观测能力、较强的穿透能力,以及极化信息获取能力,在军事和民用领域中均得到了广泛的研究与应用。SAR图像解译是通过研究SAR图像中目标和地物的特性与相互作用从图像中获取关键信息的技术。近年来,随着SAR图像数据量的急剧增长和卷积神经网络（Convolutional Neural Networks,CNNs）等机器学习方法的大规模应用,单一的技术或方法已经难以满足SAR图像精细化解译的需求,SAR图像解译方法也呈现出了传统模型与深度网络相结合的发展趋势。本文基于卷积神经网络和高斯过程回归等机器学习方法,分别从目标检测、极化方式、探测波段、地物库构建与质量评估方面开展SAR图像目标与地物精细化解译研究。主要研究内容包括:面向SAR图像舰船目标检测的精细化解译、多种极化方式下SAR图像的物理散射类型提取、多种探测波段下SAR图像的物理散射类型提取,以及SAR图像精细化解译测试库构建与质量评估。本文的创新性研究成果总结如下:（1）本文首先针对SAR图像中靠港/岸等密集排布舰船目标检测困难的问题,采用改进的多尺度卷积神经网络方法,同时实现了SAR图像中远海海域和近港/岸区域舰船目标的高精度检测。其次,针对检测框不够精确、密集排布目标漏检严重,及少量陆地虚警的问题,本文提出了一种结合级联卷积神经网络和频域脉冲余弦变换的方法用于SAR图像舰船目标的精细化提取。该方法通过级联卷积神经网络提取SAR图像中舰船目标的粗略候选区,并在局部自适应范围内采用基于脉冲余弦变换的方法进行目标的精细化提取。在欧空局星载Sentinel-1和我国高分三号数据集上的实验结果显示了本文方法的优越性。（2）为了通过单/双极化SAR图像提取具有物理意义的地物散射类型,并在此基础上探索多种不同极化方式下SAR图像对雷达物理散射特性的可解释性,本文提出了一种复数域对比约束卷积神经网络方法。本文所研究的物理散射类型主要聚焦在多次散射、体散射和表面散射上,模型训练真值依赖Cloude极化目标分解方法自动获取。复数域对比约束卷积神经网络方法能够在对比约束损失函数的监督训练下,直接从原始复散射矩阵中学习图像中的物理散射类型。该方法能够实现多种极化方式下SAR图像的地物物理散射类型提取,因而能够从极化方式的角度精细化解译雷达物理散射特性。本文方法通过德国宇航中心提供的多景L波段高分辨率F-SAR影像验证了其有效性和泛化性能。（3）针对多种探测波段下SAR图像中物理散射类型难以有效提取的难题,本文通过基于高斯过程回归的方法首先预测极化熵和极化散射角等参数,最终实现跨雷达探测波段的物理散射类型提取。该方法在高斯假设条件下,首先通过多种探测波段的SAR图像训练基于核函数与平均期望的高斯过程回归模型,所训练的模型能够较为精确地预测极化熵和极化散射角等参数,并给出预测参数的置信范围;进而依据H-α极化分割平面从多个探测波段的SAR图像中提取到具有物理意义的散射类型。本文方法的有效性与泛化性能在X波段Terra SAR-X影像、C波段Sentinel-1影像、L波段F-SAR影像上得到了验证。（4）针对中低分辨率的Sentinel-1影像难以实现地物类别精细化解译的问题,本文在预定义的两级精细化城区类别标注体系基础上,采用地理位置信息作为纽带,通过光学影像辅助标注的方式,构建了一个面向SAR图像地物精细化解译的测试库。该测试库能够提供33,358个城区地物样本,每个样本同时对应了两种不同的极化方式（VH和VV）和四种不同的数据格式（包括原始32位数据、UINT8格式数据、辐射校正图像和伪彩色图）。本文通过基于快速压缩距离的数据流形可视化方法和多种图像分类方法验证了测试库的质量。