合成孔径雷达(Synthetic Aperture Radar,SAR)能够在各种气候下持续不间断工作,并且SAR图像由于其散射信息和纹理信息非常丰富,不仅被应用于地物分类、军事目标检测等军事领域,而且被广泛地应用到城市规划、矿物侦测、农业生产等民用领域,具有重大的应用价值。SAR图像的分辨率随着遥感技术的发展变得越来越高,图像内容更加丰富,因此对于SAR图像自动解译的技术要求也更加严格,如何既快速又精确地解译SAR图像在当前仍然很难解决。近年来,深度学习技术的发展非常快速,引起了工业界和学术界的极大关注,而且取得了很大的成功。在本文中,主要工作是将深度学习中全卷积神经网络方法应用到高分辨SAR图像地物分类领域,并提出了一些改进,具体如下:1.研究了深度学习卷积神经网络的变体全卷积网络,讨论了其基本组成和算法原理,并将全卷积神经网络应用到高分辨SAR图像地物分类领域,设计了一种针对于高分辨SAR地物分类的小型全卷积网络结构TinyFCN,以逐像素级别分类替代了传统卷积神经网络方法以及SVM方法中的逐块级别分类的方式,在保持较高准确率的前提下,将全图分类速度提升了两个数量级,且过拟合程度小于以18层的残差网为特征提取结构的全卷积网络。2.由于单支路全卷积网络缺乏多尺度信息,提出了基于多尺度全卷积网络的高分辨SAR图像地物分类方法,设计了一种多尺度卷积结构,并引入小型全卷积神经网络TinyFCN中,替换掉其中的第三层卷积,分多个通道提取SAR图像不同尺度的特征信息,然后作特征结合。实验结果表明,本文设计的多尺度结构在第三章算法的基础上提高了分类精度,分类速度基本未受影响,在SAR图像上的分类结果优于空间金字塔池化结构。3.考虑到全卷积神经网络只利用了原始SAR图像的灰度信息,特征单一,提出了基于特征结合的多尺度全卷积网络的高分辨SAR图像地物分类方法。主要思路是改变多尺度全卷积网络的输入,首先提取原始SAR图像的多方向Gabor纹理特征,并与原图进行通道叠加,结果作为多尺度全卷积神经网络的输入。实验结果表明,该方法在第四章的结果上再次提高了准确率。