随着相干微波遥感技术的日益成熟,全极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）能够在夜间、云、雾等不良环境中成像,具有全天时、全天候对地观测的能力,因此在城市规划、土地利用监测等领域被广泛应用。在这些应用中,复杂地物环境极化SAR图像分类一直是最重要的关键技术之一,因此一直是研究的热点和重点。深度学习的快速崛起,改变了传统算法的窘境。特别地,卷积神经网络（Convolutional Neural Network,CNN）能自主挖掘图像的深度特征,被广泛应用于图像分类。生成对抗网络（Generative Adversarial Nets,GAN）以博弈的思想指导生成网络与判别网络交替学习,受到广泛关注和应用。论文深入开展了基于深度学习的极化SAR图像分类技术研究,取得了一系列的研究成果如下。（1）针对目标边界保留不完整问题,研究了将深度学习用于极化SAR图像的超像素生成。在合成的极化伪彩色图像上,使用像素仿射网路学习超像素。像素仿射网络能够挖掘深度极化特征,获得地物目标垂直和水平方向的边界图,最后基于此边界图学习得到最终的极化SAR图像超像素。实验结果表明,该方法得到的超像素分割效果优于现有的SLIC、SEEDS等方法。（2）针对颜色通道之间相互作用关系不能被利用的问题,研究了用四元数CNN联合超像素分类极化SAR图像。不同于CNN单独学习每个颜色通道的特征,四元数CNN将彩色图像的三个颜色通道合并为一个四元数矩阵,再基于四元数矩阵,采用卷积核挖掘深度特征,获得分类结果。然后运用最近邻的思想,结合超像素优化分类结果。实验结果表明,四元数CNN的分类性能优于CNN,同时联合超像素后的算法的分类效果优于现有的深度学习算法。（3）针对分类特征不够丰富的问题,研究了基于GAN辅助的CNN分类网络。GAN网络具有强大的特征学习能力,特别是判别器学习到的中间特征,将这些中间特征嵌入CNN网络的中间特征中,可以提高CNN的分类性能。实验结果表明,GAN辅助的CNN分类性能优于CNN。另外,结合超像素后的分类效果优于现有的深度学习方法。