极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)成像因为不受光照、气候等影响的特性,而在农业、军事和民用等领域有着大量应用,对极化SAR图像中的地物进行分类是SAR图像理解与解译中的一项重要工作。由于传统方法的局限性以及深度学习带来的优势,近年来有更多研究工作关注于基于深度学习的极化SAR地物分类研究,上述研究工作使得极化SAR地物分类朝着更精确和更快速的方向发展。但极化SAR地物分类问题是一个典型的小样本问题,由于样本标记需要大量实地勘探,样本标记成本昂贵,因此有标记的样本的数量非常稀少,而相对应的无标记样本的数量却很多,因此可以利用大量的无标记样本辅助训练深度学习分类模型。本文针对极化SAR地物分类任务中存在的小样本问题,将mixup数据融合方法应用到极化SAR图像地物分类任务中,对基于mixup的半监督极化SAR地物分类方法展开研究。主要的研究成果如下:1.基于特征mixup的小样本极化SAR地物分类。原始的mixup数据增强策略在神经网络结构的输入端直接对图像进行融合,由于冗余像素的存在,因此提出了对浅层神经网络提取的特征进行mixup操作的方法,并使用KL散度公式计算一致性误差损失,以便学习训练数据的分布。在半监督分类任务中鉴于单分支预测模型的置信度不高,设计了多分支预测结构。使用这些方法和策略在极化SAR地物分类任务中取得了非常好的结果。2.基于正则项的小样本极化SAR地物分类。一般的半监督分类方法的损失函数通常由交叉熵和一致性损失(均方差或者散度)两部分组成,但是这些方法并没有对类间和类内距离进行约束,基于此设计了一种双分支网络模型结构,两个分支内部均使用特征mixup融合策略,其中一个分支用于构建三元组或者空间邻域关系,另一个分支根据构建的三元组或者空间邻域关系计算误差损失。主要设计了三元组正则项、基于伪标签的正则项、以及基于嵌入向量的正则项约束类内类间距离。和近几年比较流行的半监督分类方法相比,使用设计的网络结构以及正则约束项在各个指标上都有了一定的提升。3.基于注意力机制的小样本极化SAR地物分类。在神经网络模型结构中,通常由于池化(最大或者均值池化)操作,容易丢失一些细节信息,因此设计了一些注意力机制模块提取部分有用的细节信息。设计的注意力机制模块直接插入到基于特征mixup的网络结构中。首先提出了一种通道注意力机制模块,在特征的提取过程中,给特征图的不同通道赋予不同的权重系数;与通道注意力机制不同的是,在神经网络提取特征的过程中,也可以对不同的空间位置赋予不同的权重,基于此又提出了空间注意力机制模块;最后再结合多分支预测结构,进一步提升模型的分类性能。