合成孔径雷达是利用一个小天线沿着长线阵的轨迹等速移动并辐射相参信号,把在不同位置接收的回波进行相干处理,从而获得较高分辨率的成像雷达。它能够在可见度极低的环境下得到高分辨率的雷达图像,具有全天时、全天候的性质,并具有可观的穿透地表的能力。在最新的研究中,半监督、无监督图像分类方法效果良好,十分受欢迎,本文描述了三种半监督、无监督的图像分类方法。本论文为了更好地拟合SAR图像并降低计算复杂度,建立了字典学习环境中的复高斯贝叶斯模型来对SAR图像进行建模。其次,由于可以结合对SAR图像的分布特征进行建模来学习判别字典,因此必须学习分布式模型的判别字典。最后,为了解决有限标注样本的问题和现有算法的时间消耗,使用半监督在线字典学习方法来添加训练样本以更新字典。实验通过验证半监督特性、在线字典学习特性、分类效果来证明所提出方法的性能。此外,尽管深度学习取得了巨大成功,但仍存在很多局限。深度神经网络的计算属性在多大程度上与人类大脑的计算属性相似仍然存在问题。深度学习的特殊非生物学方面是使用反向传播算法的监督训练过程,其需要大量标记数据,以及用于改变突触强度的非局部学习规则。本文采用一种不受这两个问题困扰的学习算法。它以完全无监督的方式学习下层神经网络的权重。整个算法利用具有概念生物合理性的局部学习规则。实验通过验证无监督特性、本方法与其他生物学算法的分类结果对比来证明该方法的特性。最后,由于SAR图像稀缺,为弥补这一缺陷,使用生成对抗网络自己生成SAR图像用于训练样本。本文以无监督的方式基于WGAN方法学习样本的分布,使用少量SAR图像对抗生成充足的样本,实现了扩充数据集的目的,并通过在生成的样本上完成分类任务以证明很好的学到了样本的真实分布。