合成孔径雷达（Synthetic aperture radar,SAR）能够全天时、全天候地观测地面信息,具有重要的研究价值和非常广阔的应用前景。由于其特殊的优势,SAR在军事侦察等国防领域被广泛使用。同时,它在国民经济等领域也有重要的应用价值,如地图测绘、自然灾害预防、农作物类型划分、城市规划等。SAR图像分类就是通过相应算法给场景中的每个像素分配一个标签,作为SAR图像解译的关键一环,具有重要的实用价值。随着技术的发展,SAR图像的分辨率也越来越高,这为SAR图像的分类问题带来了新的挑战。对于高分辨率SAR系统来说,其空间分辨率的不断优化,可以得到更为真实、精确的图像信息,也使得针对高分辨SAR图像的分类问题难以解决,与中低分辨率的SAR图像相比,高分辨率SAR图像的统计特性发生变化,很多在中低分辨率SAR图像中使用的分类方法不再适用于高分辨率SAR图像分类,需要找到适合高分辨SAR图像分类的新方法。SAR图像分类的基本流程为“预处理、特征提取、分类和后处理”。其中特征提取和分类算法的好坏直接决定了分类的效果。本文针对高分辨率SAR图像的分类问题进行了研究。论文的主要工作包括以下几个方面:（1）SAR信号的内在随机性使统计模型成为SAR图像分析的有效工具。统计模型的参数为描述SAR图像提供了有价值的信息,然而普通CNN拟合这些统计参数仍然是一个挑战。针对SAR信号的统计特性,设计了一个统计特征提取模块来学习基本统计特征,作为标准卷积层的扩展,对SAR图像的统计特征进行拟合,以适应SAR图像。并引入图像的纹理特征作为先验信息,组合二者得到初始特征图,然后送入卷积神经网络进行学习和分类。多组实测SAR图像的实验结果表明,与标准CNN等分类方法对比,该算法可以取得更好的分类效果。（2）深度学习网络越深,越是有着更强的表达能力,因为深度网络可以整合低中高各种层次的特征,增强网络的表征能力。采用深层残差网络作为分类器,能获得更好的提取SAR图像抽象特征的能力,同时避免了网络过深导致的收敛变慢,难以优化的问题,在网络中引入通道、空间注意力机制,使得算法模型能够忽略无关信息而从关键的部分进行特征提取,并结合上述的统计特征提取模块,得到更贴合样本本质的特征表达。通过多组实测图像的实验与分析表明,该改进残差网络分类方法具有更高的分类精度。