SAR图像包含多种地物信息,已经被广泛应用在目标识别、灾害评估、环境监测与跟踪等民用领域和军用领域,图像中各类目标的准确分割,对SAR图像后续的处理有重要的意义。SAR具有全时段、全天候的优势,但由于数据量庞大、图像地物目标丰富、受相干斑噪声污染严重等特点,高分辨SAR图像的处理面临着众多挑战。因此,SAR图像分割一直是SAR信息处理应用领域的热门研究内容之一。在研究目前SAR图像分割发展情况的基础上,本文考虑高分辨SAR图像的特点,结合自适应频域信息和深度学习理论进行SAR图像分割的研究,主要研究内容如下:1.简单分析了SAR图像的相干斑噪声和区域纹理特点,分析比较了现有的SAR图像分割的两大类方法的优缺点,根据两者的优缺点问题,提出了一种新的SAR图像分割方法,该方法以自适应窗口提取SAR图像的低高频信息作为特征向量,并对提取的信息进行改进的FCM分割,通过与几种传统方法结果的比较,证明了本方法的有效性。2.介绍了支持向量机在分类方面的优势,说明了图像分割在采用支持向量机算法的技术实现,采用凸壳性质的支持向量机方法进行图像分割,分析了非局部思想在图像处理方面的优势,用非局部思想提取频域信息,并将频域信息引入支持向量机的凸壳性质,提出了一种基于非局部频域信息和支持向量机的SAR图像分割。和经典方法对比实验结果表明,本方法能够达到更佳的分割效果。3.详细研究并介绍了深度学习CNN卷积神经网络,并用正交试验设计改进的PSO粒子群算法调整网络,提出了一种基于超像素和正交PSO修正深度学习的图像分割,和其他算法对比实验表明,本方法能够充分提取图像信息,并在一致区域和边缘上达到很好的分割效果。