合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式的高分辨率微波成像雷达,具有全天时全天候、穿透云雨进行观测的能力。SAR图像分类作为SAR图像解译技术的关键环节,受到越来越多的关注,在城市规划、军事侦察、应急灾害等领域具有广泛的应用前景。深度学习是当前机器学习领域的研究热点,相比浅层学习能够提取到数据的深层次特征,已经成功应用在图像分类和识别等领域。因此,研究基于深度学习的SAR图像分类具有十分重要的理论意义和实际价值。本文针对SAR分类受相干斑噪声影响严重这一难点问题,深入分析了 SAR图像的成像机理和深度学习的基础理论,重点研究了将深度学习应用于SAR图像分类的关键技术问题。本文的主要研究工作如下:(1)提出了一种基于GLCM-GMRF纹理特征和深度置信网络(Deep BeliefNetwork,DBN)的SAR图像分类方法。该算法通过引入图像的纹理特征作为先验信息,反映像素间的空间关系和不同地物类型的独有特性。利用灰度共生矩阵(Gray Level Co-Occurrence Matrix,GLCM)提取SAR图像在空间上的灰度相关特征,同时利用高斯马尔可夫随机场(Gaussian Markov Random Field,GMRF)建立邻域像素间的统计相关特性,组合提取得到的GLCM-GMRF纹理特征与图像强度矢量,送入DBN网络进行学习和分类。采用Radarsat-2数据进行实验验证,实验结果表明:与传统DBN、支持向量机分类方法对比,该算法法可以有效抑制相干斑噪声影响,取得更好的分类结果。(2)提出了一种基于深度多特征融合的SAR图像分类方法。该算法首先通过卷积神经网络(ConvolutionalNeural Network,CNN)提取图像特征,然后提取图像的GLCM、GMRF和Gabor纹理特征,分别对提取特征进行归一化处理并组合成特征向量,最后将特征向量送入DBN中进行深度特征融合,得到更具地物区分度的深度融合特征,送入分类器得到分类结果。采用Radarsat-2数据进行实验验证,实验结果表明:与CNN、支持向量机分类方法对比,该算法获得的深度融合特征,能够实现更高精度的SAR图像分类。