农作物分类是极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)的重要应用之一。作为一种遥感技术,PolSAR已经被证明可以提供目标地物的高分辨率信息。然而,由于农作物的极化散射特性随其生长周期的变化而变化,单时相PolSAR数据能够提供的信息十分有限,限制了农作物分类精度的提高。随着技术的发展,出现了大量的机载和星载PolSAR系统,这些系统能够获取目标重复观测的PolSAR数据,这为多时相PolSAR的数据分析和应用提供了可能。本论文主要利用多时相PolSAR数据通过H/α分解提取其时变特征以达到提高作物分类精度的目的。首先,基于H/α分解理论,利用多时相全极化和双极化PolSAR数据分析了不同农作在其生长过程不同时期所呈现的散射特性变化规律,在此基础上定义了一个新的极化参数θ更好地描述农作物散射特性的变化规律。其次,本论文基于这一新参数θ提出了一种适用于多时相全/双极化PolSAR农作物监督分类算法,并利用Sentinel-1仿真和实测数据分别基于复Wishart,Freeman-Wishart,本论文所提分类算法以及不同输入的支持向量机(Support Vector Machine,SVM)进行对比分析,验证所提极化参数θ及分类算法的优势。此外,利用卷积神经网络(Convolutional Neural Network,CNN)实现了对一幅PolSAR图像进行识别分割,同时验证了所提极化散射参数θ同样可以优化CNN网络的分类性能。主要研究内容及结论如下:(1)新的极化散射参数θ的定义。随着农作物生长周期的变化,不同农作物的散射特性分布区域沿着H/α分类平面的下边界曲线的移动量存在较显著差异,所以本论文定义一个新的参数θ描述该移动量的大小。利用矢量对应的相位角对区域变化的敏感性提出了一种新的极化散射参数,进一步提高了H/α参数的自由度,可以很好地描述极化散射特性在H/α分类平面上的变化量,即可以很好地描述农作物的极化散射特性随生长周期的变化规律。(2)所提极化参数θ相比传统极化参数可以更好的描述农作物在其生周期内散射特性的变化规律。为了验证所提参数θ的优势和鲁棒性,本文计算了并对比分析了对于不同的雷达传感器下的常用极化参数以及本论文所提极化参数θ的不同作物类别间和相同作物类别内的标准差。结果显示,在两种雷达传感器下都是同种作物内部,本论文所提极化散射参数θ的标准差最小,而不同农作物之间的标准差最大,即本论文所提极化参数θ更适合描述作物之间的差异,同时也提高了同种作物类别内的均匀性。(3)对于仿真全/双极化Sentinel-1数据,所提分类算法以及引入所提极化散射参数θ的SVM分类器的农作物分类效果较好。当将研究区域所覆盖的农作物分为6类时,基于所提参数θ分类算法的整体精度和Kappa系数分别达到了78.09%和69.45%,相比复Wishart,Freeman-Wishart以及基于传统极化参数构成输入特征的SVM存在较高的优势,当所提参数θ引入SVM分类器后,可以有效的改善分类效果,整体精度和Kappa系数最高达到了79.99%和71.70%;若将研究内类别相似的农作物合并后,对4类农作物进行分类,该优势会更加明显。该优势同样存在于仿真双极化Sentinel-1数据。(4)对于实测Sentinel-1数据,所提分类算法以及引入所提极化散射参数θ的SVM分类器的农作物分类效果较好。基于所提参数θ的分类方法相比复Wishart分类器,整体精度提高了约6%,Kappa系数提高了约9%。对于SVM分类器,将所提参数θ引入特征向量的结果最高,相比由传统的极化参数所组成的特征向量,整体精度提高了约5%,Kappa系数提高了约10%。(5)利用CNN网络实现了对PolSAR图像的分类,并且将所提极化散射参数θ引入特征通道后,可以有效地改善分类结果。对于仿真Sentinel-1和实测Sentinel-1数据,将所提参数θ引入特征通道后,整体精度和Kappa系数都是最高的,分别达到90.13%,86.12%和93.30%,85.51%。