极化合成孔径雷达(Polarimetric SAR)影像包含丰富的目标信息,近年来成为遥感识别领域的研究热点。其中,地物分类方法的研究是极化SAR影像解译的重要组成部分,在军事、民用等领域均有着极其重大的运用价值和意义。随着大数据时代的到来,数据量日益增大的同时,数据所包含的信息也越来越复杂,传统的极化SAR影像分类方法,尤其是浅层网络,在图像特征提取以及类别划分方面遇到了瓶颈,对特征的学习能力也遇到了挑战。深度学习的出现开拓了极化SAR影像地物分类的新思路,本文基于深度神经网络对极化SAR影像地物分类问题进行了研究,提出了新的算法,并在真实地物数据上进行了实验,具体主要包含以下三方面内容:(1)提出了一种基于深度小波神经网络的极化SAR影像地物分类方法。该方法针对浅层网络对特征表示和学习的局限性问题,并考虑到小波变换较传统的非线性sigmoid函数具有更强的学习能力和泛化能力,将小波基作为神经网络的激励函数,构建了两层小波神经网络来对输入特征进行学习。实验结果表明,该方法较现有的传统方法在真实极化SAR影像上有较高的分类精度。(2)提出了一种基于深度脊波神经网络的极化SAR影像地物分类方法。该方法针对小波处理高维非点状奇异性的不足,引入了多尺度几何分析方法中的脊波分析,将脊波作为神经网络的激励函数,构建两层脊波神经网络,将小波的优点扩展到了更高维的空间,在小波函数的伸缩和平移参数的基础上,增加了方向性的描述,对极化SAR影像地物的特征进行了更有效地表示。通过实验可以验证该方法的有效性以及较深度小波神经网络更突出的特征表示能力。(3)提出了一种基于NSCT和深度量子脊波神经网络的极化SAR影像地物分类方法。该方法针对传统神经网络收敛速度慢等固有缺陷,将量子态叠加的思想加入神经网络当中,将其与脊波神经网络有效结合,构建两层量子脊波神经网络,在保证极化SAR影像分类精度的基础上,降低网络训练的时间复杂度。另外,针对传统极化SAR影像地物分类方法输入特征的单一性问题,引入了NSCT纹理特征,将极化特征和纹理特征结合形成特征矩阵,并进行训练,使得原始特征对图像的表达力提高。实验表明,算法分类精度高,收敛速度快。