合成孔径雷达(Synthetic Aperture Radar,SAR)通过主动的发射和接收微波电磁波记录目标散射信息,全天时全天候的成像能力使其可以与光学传感器互补建立相对完善的对地观测体系。比之在单一极化态组合下获取数据的单极化SAR,全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)更可进一步获取特定极化基下目标的完整后向散射信息,从而在对地物目标属性和参数的分析、提取、反演等工作中有着天然的优势。随着传感器硬件技术的飞速发展,近年来涌现出越来越多的机载、星载雷达系统,尤其是2016年我国自主研发的高分三号雷达卫星成功升空,标志着SAR乃至极化SAR数据均有了稳定的国内数据源。然而,地物散射特性既是其自身尺寸、结构、介电性质等属性的综合体现,同时又受到微波频率、入射角度等成像参数的影响,相同或相似目标在不同影像上往往具有不一致的散射表现,导致了在实际应用中难以利用历史存档数据解决新数据任务的困境,尤其是散射信息更加丰富的极化SAR数据,受到的影响则更严重。雷达数据间相互割裂的现象大大降低了历史数据的可用性,减少了历史数据的使用价值。而另一方面,对新近数据中地物目标的标注工作需要进行实地调绘,不仅费时费力,还降低了时效性。作为机器学习与人工智能领域的研究热点之一,迁移学习旨在探索将某一领域积累的知识延伸应用到另一个与之相关的领域,其根本目的是解决旧领域数据在新领域任务中的适配问题。这就为提高历史数据利用效率、解决新近数据的监督信息依赖问题提供了可能性。因此,本文聚焦于在不同时间、空间或成像条件下获取的极化SAR数据的迁移学习问题,面向多种假设前提和应用条件尝试提高历史数据和新近数据间的样本分布匹配程度,实现跨域数据信息迁移。本文的主要工作包括:①从对极化数据基本统计分布形式的有效性验证出发,分析了基于Wishart分布的经典分类模型中存在的两个问题,并针对性提出解决方案,从而利用统计假设检验理论建立了基于Wishart分布的新模型,在获取代表性类别聚簇的同时有效降低了干扰样本的不利影响,提高了基于基本分布形式的分类模型表现,总结了保持Wishart分布合理性的前提条件和适用情况;②从对样本类别条件概率分布的匹配出发,开展了基于实例的迁移学习方法研究工作。为应对在稀少目标域标记样本情况下,基于实例的迁移学习方法无法工作的问题,结合统计假设检验理论和区域生长思想,给出了一种低代价的目标域标记样本集扩充方式,在一定程度上丰富了目标域标记样本多样性;在分析Bagging集成迁移算法问题的基础上,提出了新的基于实例的迁移方法,该方法通过引入Wishart分布过滤与目标域任务无关的源域样本,通过引入fallback分类器降低负迁移效应,最终以协同更新评判集和弱分类器的方式提高域间样本条件分布的匹配性,保持了地物识别结果的稳定性;③从对样本边际概率分布的匹配出发,系统梳理了从常规子空间学习到迁移子空间学习的理论思想转变过程,总结了在迁移学习背景下进行子空间学习的信息保持原则,提出了一种以源域监督信息和双域数据结构信息保持,以及域间边际分布匹配为目标的子空间学习准则,构建了新的基于特征表达的迁移学习模型。该模型利用基于Wishart假设检验测度的核映射函数,引入极化数据统计特性,实现域间样本边际分布的匹配,在无目标域标记样本的前提下完成了地物目标识别;④从对样本混合概率分布的匹配出发,分析了等维空间变换对多元复高斯分布、复Wishart分布以及由其建立的有限混合分布模型的影响和变换后概率密度函数的变化情况。在此基础上引入Bregman散度对域间样本分布的差异进行评估,给出了同时兼顾域内数据分布保持和域间数据混合分布匹配的等维迁移变换方法,最终利用极化基变换理论简化了目标函数求解难度并提高了域间迁移关系的可解释性,能够对包括地物识别、变化检测在内的多种处理任务提供支持。