全极化合成孔径雷达（SAR）可获取全面的极化信息,但是存在幅宽较窄和空间分辨率较低的缺陷。简缩极化SAR是一种双极化系统,其成像幅宽较大,但是其获取的极化信息少于全极化SAR,难以替代全极化SAR。针对全极化图像幅宽较小的问题,可进行简缩极化数据的信息重建,补全其在极化维度上缺失的极化信息。针对全极化SAR空间分辨率较低的问题,可对低分辨率全极化图像进行空间维度上的信息重建,补全其缺少的空间维度的极化信息,提升其空间分辨率。以上问题主要的难点在于重建后出全极化SAR数据需与真实数据的极化信息保持高度一致性,而传统方法的重建准确性较低。深度学习方法强大的学习能力与非线性拟合能力有助于解决全极化SAR图像重建一致性问题。因此,本文重点研究基于深度学习的简缩极化SAR数据的极化维信息重建与全极化SAR图像的空间维信息重建方法。本文的主要工作及贡献如下:1、在极化SAR图像中,存在不同尺度的地物（如建筑与农田）,需要对应不同尺寸的感受野进行特征提取。针对这一问题,本文提出了双分支卷积核自选择复数卷积神经网络（DB-SK-CVCNN）对简缩极化数据进行全极化重建。该网络的两个分支分别使用不同尺寸的卷积核对极化图像进行特征提取,并通过改进的卷积核自选择（SK）卷积单元使其生成更细粒度的注意力信息,使神经网络自适应地调节感受野。实验结果表明,DB-SK-CVCNN在对多种类型的地物重建中都能保证准确性,同时也充分地保留了极化信息。2、全极化SAR图像中存在地物分布较为密集的区域,纹理细节较为丰富,超分辨率重建的难度也较大。针对该问题,本文提出了一种基于注意力机制的复数卷积双分支对抗生成网络（CV-DB-GAN）提升全极化SAR图像分辨率。引入卷积注意力模块（CBAM）使神经网络更加关注地物分布较为密集的区域,从而使网络重建出更丰富的纹理细节。实验表明,CV-DB-GAN的定量分析和极化分解结果均优于最新的两种全极化SAR超分辨率重建方法,重建出的全极化SAR图像的相位更为准确。