极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)应用广泛,其中最重要的应用之一就是极化SAR图像分类。相比于传统的单极化SAR,极化SAR能获得更丰富的地物信息,信息量大,特征维度较高,使得快速、准确成为实现极化SAR图像分类实际应用的前提。其中影响分类精度与分类复杂度的关键因素有两个:特征提取与分类器设计。但是分类器性能的好坏,依赖于提取的特征,一些传统算法的思想是,尽可能多的提取特征,以此来提高分类准确率,而且传统算法大多是基于像素的,忽略了像素之间的空间信息,这些问题使得极化SAR图像分类时,得不到令人满意的分类效果。本文提出了三种方法对极化SAR图像进行分类,采用极化SAR图像的深层特征,引入超像素的思想,并且将深层特征、超像素与度量学习分类器进行结合,所做的主要工作如下:1、提出一种基于度量学习分类器的极化SAR地物分类方法,引入度量学习分类器,可以调用现有的支持矢量机算法框架,能够有效地剔除无效信息以及冗余信息,获得更高的分类精度,最后通过三组对比实验,验证该算法的可行性以及有效性。2、提出一种基于稀疏自编码器和度量学习分类器的极化SAR地物分类方法。将度量学习分类器,与栈式稀疏自编码器相结合,通过采用栈式稀疏自编码器,提取极化SAR图像的深层特征,然后通过度量学习分类器,最后通过三组对比实验,验证本算法的合理有效性。3、提出一种基于超像素和度量学习分类器的极化SAR地物分类方法。一般算法都是基于像素的,考虑到像素之间的空间相关性,引入超像素的思想,将超像素与度量学习分类器相结合,不仅保持了极化SAR图像的空间连续性,同时还保证了分类精度,最后通过三组对比实验,验证本算法的合理有效性。