极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）系统能够同时发射和接收多种电磁波,来勘测地物目标的极化散射特性。PolSAR测量得到的散射矩阵蕴含了极为丰富的目标信息,因而被广泛应用于地物分类领域。根据现有的研究,PolSAR图像地物分类有一些问题亟待解决。一方面,传统手工特征利用率低、难以自动适应数据,固定的特征提取结合分类器模式难以取得良好效果;另一方面,适合于光学图像的深度方法直接用于PolSAR数据时,模型泛化能力较差甚至难以收敛。因此,如何设计出高效的特征描述,在少量样本前提下完成准确的地物分类,是PolSAR图像解译中一个极具挑战性的难题。对极化地物分类而言,基于特征学习的深度网络方法可以通过自动学习实现对底层特征的抽象,从而完成数据到标签的映射分类,但这种方法只利用了部分极化信息,难以完整地描述各种地物类型。因此,将深度网络与PolSAR极化特征相结合成为了一个新的突破方向。基于多种目标分解方法所提取到的高维极化特征可以充分地表征PolSAR图像,但其中存在一定冗余。流形学习可以对高维数据的核心变量进行建模,尽可能地挖掘其本征结构,达到分离不同类型数据的目的。因此,本文以流形映射为出发点,深入探究了流形学习与全卷积网络相结合的PolSAR图像分类方法。本文的主要贡献有以下几个方面:（1）为获取适应性强,利用率高的特征,本文借鉴迁移学习的策略,采用FCN模型来自动高效地学习PolSAR图像的深层多尺度空间信息,突破了手工特征的局限性。（2）针对PolSAR图像中提取的高维极化特征,采用非线性流形学习将其映射到更能代表原始数据的本征特征空间,以增强特征的可分离性。同时,将流形学习的浅层空间表示加权融合到FCN模型的深层多尺度空间特征中,使得彼此优势互补,增强了融合特征的判别能力。（3）考虑到非显式的流形学习方法存在外样本问题、且无法进行反传,本文进一步引入了格拉斯曼流形,并将FCN学习到的深层特征嵌入到流形网络当中,形成了一个一体化的流形网络。最后,本文在三个真实PolSAR数据集上进行了一系列对比实验,包括极化相干特征与深度空间特征的融合对比、基于数据层和分类层进行特征结合的格拉斯曼流形网络等多种方案,实验结果证明了本文所提出的算法用于PolSAR图像分类的有效性和优越性。