极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR),是目前应用广泛的成像雷达系统。PolSAR数据包含了地物目标丰富的极化信息,适用于遥感数据的后期处理工作。因此,其相关的地物分类工作一直都是雷达图像领域的热点。深度学习算法能够自主地从输入数据中学习特征,与传统人工特征提取方法相比,节省了大量的人工成本和时间,并且使用小样本训练分类器可以得到更好的分类结果。近年来,深度学习技术在遥感图像领域引起广泛关注,并取得了不错的成果。其中,因为生成对抗式网络拥有可以生成数据来辅助训练分类器、对噪声有更强的鲁棒性等优点,非常适用于PolSAR数据的地物分类问题。本文主要研究了基于生成对抗式网络的半监督PolSAR地物分类方法,主要的工作点有:1.针对PolSAR领域的小样本问题,提出一种半监督生成对抗式网络。该方法结合半监督学习的思想对生成对抗式网络做出改进,只需用少量的带标签样本就可以使网络学习到数据的抽象特征,同时也用到了数量充足的无标签数据样本来优化网络的学习能力。该模型处理的是图像块级别的PolSAR数据,最终学习完毕的模型有较好的分类效果。实验表明模型具有较好的分类性能。2.针对预处理步骤复杂、模型训练慢等问题,提出了一种端到端的半监督生成对抗式网络改进算法。改进后的算法将全卷积思想融入半监督生成对抗式网络中,实现了像素级别、端到端的PolSAR分类任务。该算法不需要过于繁杂的数据预处理过程,并且减少了模型训练及测试样本时所需的空间,减少了计算量,所以可以更加高效地进行训练和测试。实验表明,该模型的分类性能有所提高,训练需要的时间明显缩短,测试效率更高。3.针对生成样本无限制条件等问题,提出了一种条件生成对抗式网络的半监督分类方法。所提出算法将标签信息当作限制条件加入到网络当中,对端到端的半监督生成对抗式网络模型做出了改进。原本模型中的生成样本无标签,其作用有限,所以我们将标签信息输入到网络当中,引导训练过程,生成的数据更加逼真,同时为判别器提供更多数据来训练,实现更好的分类效果。实验表明,模型的分类性能得到了提高。