极化合成孔径雷达(PolSAR)系统具有全天候、全天时、多波段、多极化等特点，能够提供大面积的高分辨的成像。深入研究PolSAR图像的后处理和解译，可以从中提取更多有价值的信息，广泛用于环境监测、地球资源勘探和军事系统等。
　　从PolSAR数据的相干矩阵或者协方差矩阵及对二者的进行目标分解得到的特征，可以有效体现地物特性并用于地物分类。然而，单一极化特征或者目标分解(TDs)特征不能充分和可靠地用于识别具有类似散射机制的不同地物或者不同散射机制的相同地物。因此我们将多种极化特征和分解特征进行融合得到特征组合，可以有效提高分类正确率。但是基于其散射机制，这些特征之间是存在相干和冗余的，因此挖掘对于分类有效的特征是必要的，即这种特征提取显得尤为重要。考虑到PolSAR样本的标记工作耗费时间和人力等，本文提出并实现了几种半监督PolSAR特征提取算法，主要包括下面三方面的内容：
　　1.提出了一种新的半监督张量局部线性嵌入(STLLE)方法。PolSAR数据局部窗口中的每个像素及其空间邻居可以表示为三阶张量，其前两个阶表示邻域像素，第三阶表示多个特征。特征提取算法可以找到将高维特征转换为低维特征的最佳投影。这可以通过设计目标函数来解决，其中张量判别项包括标记张量的每个模式上的类间和类内散布矩阵。正则化项是基于少量标记和大量未标记张量样本的张量局部线性嵌入图构造的。此外，还引入了成对约束。最后，我们可以使用所有提取的特征并利用KNN完成地物分类的任务。
　　2.提出了一种融合空间信息的图卷积网络(SGCN)地物分类方法。首先根据样本特征及其在PolSAR数据中的坐标信息构造所有样本的空间加权图矩阵，这个图矩阵在描述样本之间近邻关系的同时也考虑了样本在PolSAR图像中的空间信息。再构造三层的图卷积网络(GCN)，将所有样本和图矩阵输入图卷积网络，可以迭代聚合样本任意形状的近邻样本特征信息。接着计算所有标记样本的交叉熵损失函数。然后，通过批量梯度下降训练网络，可以提取到较好的分类特征。实验证明，该方法能有效提取PolSAR特征，并取得较好PolSAR地物分类精度。
　　3.提出了一种应用于大规模PolSAR数据上的图卷积网络(LS-FGCN)的实现方法用于PolSAR数据地物分类。图卷积网络的半监督分类方法是一种直推式学习方法，参与训练的数据包括所有的样本，即少量的标记样本和大量的无标记样本，并且无标记样本也是后续测试样本。这种直推式学习方法在样本规模较小的情况下，并没有什么影响，但是当样本规模很大时，会出现训练效率很低，训练时间很长的现象，甚至出现内存溢出无法完成训练的现象。因此本文提出一种半监督图卷积网络的快速训练方法，该方法可以在训练的时候减小图数据的大小，以减小内存消耗，提高训练效率。实验证明，该方法在大规模数据上可以较快的完成训练，并取得很好的分类效果。