极化SAR通过观测不同通道下的不同收发组合的极化回波信号,可为地物分析提供更加丰富的信息,是雷达遥感领域的重要研究方向。通过变换和分解等方式可获取复杂多样的极化特征,但过多的特征组合会带来计算负担和分类性能下降等问题,因此降维成为有效解决“维数灾难”问题的方案之一。本文在高分辨率对地观测系统重大专项的支持下,以极化特征为中心,研究有效减少标签使用量以及实现训练样本和训练模型迁移应用的降维方法,并将研究成果落脚在极化SAR影像分类的实际应用中。论文的主要工作和贡献在于:(1)针对极化SAR实际应用中存在的特征冗余以及标记样本量难以满足实际应用需求等问题,提出半监督局部判别分析(Semi-supervised Local Discriminant Analysis,SLDA)算法,并搭建以SLDA为基础的特征降维与极化SAR影像分类框架。在三景极SAR影像的特征降维以及多地物分类任务中,在1‰-2‰标记样本的条件下,SLDA能够快速提取出具有“类内紧聚,类间分离”特性的低维特征,并取得90%左右分类精度,解决了具有少量训练样本、极少量标签和需要快速准确分类的应用问题。(2)针对极化SAR应用中存在的特征冗余以及标记样本量难以满足实际应用需求等问题,引入非监督降维算法--堆叠去噪自编码器(Stacked Denoising Autoencoder,SDAE)。SDAE的多层非线性网络可对原始据进行抽象得到更容易表述其自身性质的特征并进行分类,在来自AIRSAR和高分3号卫星真实场景的极化数据上取得的分类精度高于传统机器学习方法。(3)针对SAR影像分类中降维方法训练出的映射矩阵不具备可迁移性,训练样本和训练模型不可复用等问题,搭建以SDAE为基础的迁移降维与极化SAR影像分类框架。在多景真实极化SAR场景的实验结果表明:SDAE在RadarSat-2卫星Flevoland场景的极化数据中抽象出的映射矩阵具备较强的泛化能力,可迁移应用到跨卫星源跨场景的降维任务中,并取得可观的分类效果,可实现训练样本和训练模型的复用,减少人工标注的工作量和模型训练的成本。