极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）高分辨率遥感影像技术已经广泛应用于商业规划、农业检测、地物分类等。PolSAR图像往往能够包含普通光学RGB图像难以获得的一些目标信息,例如目标极化和散射熵等,但是其编译和解释的难度也大幅度超过光学遥感图像。由于PolSAR图像存在固有的斑点噪声、边缘模糊等缺陷,导致深度学习方法在处理PolSAR图像时不仅需要更严格遥感领域知识支持和精良标签制作,而且采用的极化特征数量增加会导致的维度灾难,造成网络复杂度和所需算力资源大幅增加,制约深度学习在PolSAR地物分类中的效能发挥。本文从图像预处理的和特征优选两个角度出发,提升原始图像质量和优选显著性特征,实现采用更精简的网络结构的同时提升分类精度。本文主要工作内容如下:首先,针对PolSAR图像具有难解译性的问题,本文修改Deep Lab V3+网络框架,该框架可以通过空间卷积金子塔模块对PolSAR数据进行多尺度信息挖掘从而充分提取数据特征。其次,本文提出一种基于降维滤波的图像处理方法。通过主成分分析将Pauli分解、Freeman分解、Yamaguchi分解、H/A/Alpha获得的特征图进行线性叠加。分析特征图主要成分后,将其降维压缩成三张融合图。得到的融合图质量高于任意一个特征图,但是依然存在噪声大、斑点多、熵值高、特征分界不明显等问题。根据上述问题,针对性的引入小波分解与重构在频域实现斑点和噪声的滤波,并增强图像局部细节。利用各向异性滤波的特性,将图像整体进行平滑处理从而降低特征内部间像素差异大的问题。通过所述三种方法的逐层递进处理后的图像,经过灰度化及融合,得到高质量结果图。最后,通过对极化目标分解所得到特征量进行组合并优选,验证了各类目标分解所得特征分量对分类结果造成的影响。综上所述,本文所提出的基于特征优选和滤波预处理的PolSAR智能地物分类,可以充分发挥PolSAR图像信息丰富的特性,为未来PolSAR地物分类研究提出了新的可能性。