通过有效地检索合成孔径雷达(Synthetic Aperture Radar,SAR)图像来获取用户感兴趣的数据是遥感图像领域一项重要且具有挑战性的任务。卷积神经网络(Convolutional Neural Network,CNN)因其优异的图像分类任务性能被广泛应用于遥感图像检索任务中,但需要大量的带标签的样本用于训练或者微调模型,而目前缺乏大量有标签的SAR图像。同时,目前的遥感图像检索方法大多在整个图像数据库中进行检索,但检索数据库中只有部分图像与查询图像相关或者相似,所以对整个图像数据库进行遍历是不合理的。如何利用已有的带标签的遥感图像库,实现无监督的学习SAR图像的检索特征,并提高检索速度是一个亟待解决的问题。本文提出了一种基于无监督域适应和模糊规则的SAR图像检索方法。首先,该方法将对抗域适应思想与模糊图像聚类相结合,借助现有的光学航空图像分类标记信息,学习SAR图像和光学航空图像之间的域不变特征,提取适用于SAR图像的检索特征。然后,该方法利用一种基于模糊规则的确定检索空间方法减少搜索空间。该方法利用无监督对抗域适应模型和改进的模糊聚类确定SAR图像的类别置信度;根据类别置信度将图像分成“高置信度”、“中置信度”和“低置信度”三个模糊类别,为每个类别建立相应的确定检索空间的模糊规则;利用模糊规则为图像确定检索空间,提高检索速度。最后,还通过将图像的类别置信度加入到图像相似性度量过程中,改进了特征间的距离度量,进一步提升了检索精度。因此,本文主要创新如下:1.提出了一种基于CNN的对抗域适应模型和改进的模糊图像聚类相结合的无监督SAR图像检索特征提取模型,为SAR图像检索提供了一种新的特征提取方法;2.提出了一种基于模糊规则的无监督确定检索空间方法,减少了检索空间,提高了检索速度。