合成孔径雷达(SAR)图像数据包含丰富的地物信息,它不受恶劣天气和夜间的影响,可以全天时、全天候地达到监测陆地和海洋的目的。对SAR图像的地物目标进行分类无论是在民用还是军用都具有广泛的用途。然而,SAR图像具有大量的相干斑噪声,传统的方法容易受到相干斑噪声的影响。同时,SAR图像地物目标复杂,针对不同场景,不同分辨率的SAR图像设计不同特征提取方法费时又费力,并且泛化能力较差。最近,深度学习方法成为国内外的研究热点,在图像处理、信号处理、计算机视觉与模式识别等领域有许多成功的应用。本文挖掘了SAR图像的稀疏特性,利用稀疏的深层网络模型对SAR图像地物目标进行分类。克服了传统方法易受相干斑噪声影响,设计复杂,泛化能力弱的缺点。具体研究内容如下:(1)提出一种基于分层稀疏自编码卷积神经网络的SAR图像分类方法。首先,利用输入的SAR图像块训练第一层稀疏自编码模型,其次,通过卷积操作将第一层的稀疏自编码模型用于整幅的SAR图像上,提取第一层的稀疏特征,再在第一层稀疏特征图的基础上再训练第二层的稀疏自编码模型,通过卷积操作提取出第二层的稀疏特征,然后将第二层的稀疏特征输入Softmax分类器,加上训练样本的标记信息训练Softmax分类器,最后利用训练样本的标记信息对整个神经网络的权值微调,从而得到我们所需的分层稀疏滤波卷积神经网络。该模型性能在由多种地物目标构成的SAR图像数据库上进行验证,实验的结果表明:该模型可以在一定程度上提高SAR图像地物目标的分类精度,即使在小样本学习情况下,仍能得到较高的分类效果。(2)提出一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。该模型的特征提取网络的训练过程是一个无监督的过程。通过无监督的方式逐层的训练稀疏滤波器,并以卷积的方式将各层训练获得的稀疏滤波器用于大幅SAR图像的特征提取。该模型的分类器部分是一个有监督的过程。将通过第一层和第二层稀疏滤波网络所提取的稀疏特征进行组合,并利用样本的标记信息,用于线性核SVM的训练。该模型性能在由多种地物目标构成的SAR图像数据库上进行验证,实验的结果表明:与经典的卷积神经网络相比,该模型的特征提取网络的训练过程不受训练样本标记信息数量的影响,训练效率高,即使在小样本学习情况下,该模型的分类效果仍优于传统方法。(3)提出一种基于分层3D稀疏滤波卷积神经网络的SAR图像分类方法。该模型结合卷积神经网络的思想,将3D稀疏滤波特征学习算法用于大幅SAR图像的特征抽取。各层稀疏网络的训练过程先以无监督的方式进行,再以逐层有监督的方式微调,最后再以全局微调的方式确定特征提取网络的参数。利用Softmax分类器进行分类。该模型性能在由多类SAR地物目标构成的SAR图像数据集上得以验证。(4)提出一种基于分层3D稀疏滤波NIN网络的SAR图像分类方法。该模型在3D稀疏滤波的基础上,引入NIN网络结构,在局部感受域引入非线性变换,以此来增强模型的判别性。同时,NIN网络的全局平均池化可以加强特征图与类别的联系,而不需要对参数进行学习。该模型性能在由多种地物目标构成的SAR图像数据库上进行验证,实验的结果表明:该模型可以在一定程度上提高SAR图像地物目标的分类精度。