极化合成孔径雷达(Synthetic Aperture Radar，SAR)是随着合成孔径雷达技术的发展而产生的一种先进的成像系统，它能够获取丰富的目标信息，从而增强雷达获取目标信息的能力。极化SAR技术在军事和民用领域都已得到了广泛的应用和发展。　　极化SAR影像地物分类问题是极化SAR应用领域的重要分支，因此，对该问题的研究具有十分重要的理论意义和实用价值。本文在自编码深度神经网络的基础上，结合极化SAR数据自身的特点，对极化SAR影像地物分类问题进行了系统的研究并提出了可用于该问题的方法，主要工作如下：　　1.提出了一种基于栈式稀疏自编码神经网络和快速稀疏逼近最小二乘支持向量机的极化 SAR影像地物分类方法。栈式稀疏自编码神经网络具有多个隐藏层，具有很强的特征学习能力。该方法通过它获取极化SAR数据的深度稀疏特征，并用分类性能优异的支持向量机类算法代替深度学习中常用的 Softmax作为本方法的分类器，从而获取分类结果。　　2.提出了一种基于栈式稀疏自编码神经网络和不平衡数据学习的极化 SAR影像地物分类方法。该方法通过对极化SAR训练数据中存在类不平衡问题的数据进行独立学习，获取该部分数据新的分类结果，并将该结果用于修正极化SAR影像地物的初始分类，从而得到最终的分类结果。实验表明，本方法能够克服由于训练数据类间不平衡问题造成的总体分类精度低，或每类间分类精度差距大的问题。　　3.提出了一种基于栈式稀疏自编码神经网络和轮廓信息的极化 SAR影像地物分类方法。该方法利用极化SAR数据的统计信息获取其图像轮廓图，并在轮廓图的指引下，对原始极化SAR数据中的像素进行有针对性地滤波。此外，通过极化 SAR影像地物的轮廓图以及像素空间邻域信息，获得优化后的最终分类结果。该方法大大减少了相干斑噪声对分类结果的影响，提高了匀质区域的一致性，和边界的可辨识度。