极化合成孔径雷达是一种能够主动地发射电磁波并接收其回波的高分辨率相干成像系统,能够全天时,全天候地进行数据的采集工作。该系统发射的电磁波的波长较长,这使其能克服光学图像易受云层和雾霾等其他气象条件影响的缺点。所获取的极化SAR图像,具有丰富的地物散射信息、纹理特征和介电常数信息等,极大地增强了对地物目标的识别能力。本论文研究基于机器学习的极化SAR图像地物分类问题,旨在提升极化SAR数据的自动化解译水平,实现数据的合理利用,在环境监测,资源勘探,军事侦察等诸多关系国计民生领域具有重要意义与价值。本文从监督和非监督角度对极化SAR图像的分类技术进行较为深入的理论研究,主要的工作和贡献如下:(1)提出了利用集成学习的理论进行极化SAR监督分类的算法。根据集成学习的理论背景和极化SAR图像成像特点,设计了一种集成学习框架应用在极化SAR图像的监督分类中。该框架使用SVM作为基本学习器,并使用Random Forest学习器作为Stacking算法的元学习器,用于结果的结合。实验结果表明该集成框架能有效的提升分类精度。(2)提出了结合特征选择和大尺度谱聚类的极化SAR图像非监督分类算法。为减少特征冗余,使用了聚类森林特征选择算法进行降维处理。通过超像素分割引入空间信息,再用整合了该信息的大尺度谱聚类算法实现图像聚类。通过实验验证了算法的有效性。(3)提出了基于深度学习(卷积神经网络,CNN)的极化SAR图像监督分类算法。综合LeNet和Network In Network网络结构的设计理念,提出了一种应用在极化SAR图像上的卷积神经网络结构。网络将由实部和虚部组成的二通道数据作为输入,最大化保留数据信息。并使用全局均值池化层取代全连接层,大幅减少网络参数。实验结果中,该算法的分类效果明显优于对比算法,说明了网络设计的合理性与可行性。(4)提出了基于深度学习(堆叠自编码器,SAEs)的极化SAR图像非监督分类算法。使用密度峰值聚类(DPC)选取每个超像素的代表点,通过谱聚类得到低维流形特征。使用以堆叠自编码器为核心的深度嵌入式聚类(DEC)结构,完成极化SAR图像的聚类。实验结果表明了 DPC选取代表点的必要性,以及DEC的引入能进一步提升分类效果。