极化合成孔径雷达(Pol SAR)能够获取多通道极化图象,提高目标检测、识别及分类能力。近些年来,Pol SAR在目标探测识别及分类中越来越重要。Pol SAR图象分类是为了是对所获得的极化数据进行归类,通过计算机识别得到不同的地物信息,并接近真实类别。近年来,Pol SAR图象分类方法越来越多,但这些传统分类方法存在一个共性,即一般都要进行人为特征提取,也就是加入了较多的人为干预过程。卷积神经网络(CNN)是基于多层监督学习的新型神经网络,近年来已被广泛应用于图象处理领域,它可以通过一层层非线性简单模型的累积进行原始数据的特征自主提取。相比于传统分类算法,卷积神经网络可以将原始数据转化为更抽象的特征表达而不需过多人为参与,并且分类结果较传统算法更理想。本文结合Pol SAR图象及卷积神经网络的特点,将卷积神经网络分类方法应用于Pol SAR图象分类中,实现Pol SAR图象高精度的精细地物分类。本文通过研究Pol SAR相关基础、特征提取方法及卷积神经网络的思想、原理、结构、和特征学习过程,提出将卷积神经网络应用在Pol SAR图象地物分类中的主要步骤及实现手段,进行面向Pol SAR图象分类的卷积神经网络设计及分类方法优化,并分别基于Pol SAR图象数据及所选择的特征进行分类。此外,为了充分利用Pol SAR数据的多通道特性,在传统2D卷积神经网络的基础上,引入3D卷积神经网络,并针对某些地物的小样本问题,提出虚拟样本扩充的方法进行改善。通过采用三组不同分辨率的Pol SAR图象进行实验,结果表明,将卷积神经网络引入Pol SAR图象分类中能够明显提高分类效果,且3D卷积神经网络能充分挖掘Pol SAR数据包含信息,提高分类性能。此外,相较于人为提取的特征,卷积神经网络可以利用Pol SAR原始数据进行特征抽取及分类,分类结果更准确高效。而针对小样本地物的虚拟样本扩充的手段能够改善分类效果。最后,对比BP神经网络,验证了卷积神经网络对Pol SAR图象地物精细分类的优越性。