全极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）是一种主动成像技术,它通过发射电磁波信号,并接收回波信号来获取地物信息,被广泛应用于植被观测、环境保护以及城市规划等领域。图像分类作为全极化合成孔径雷达图像解译中最引人关注的问题之一,受到科研学者的广泛关注。近年来,得益于强大的特征提取能力,基于卷积神经网络的方法成为全极化合成孔径雷达图像分类领域的研究热点。本文以卷积神经网络模型的研究为基础,将其应用到全极化合成孔径雷达图像分类中,本文的主要工作如下:1.研究了基于3D卷积神经网络的全极化SAR图像分类方法,并针对3D网络参数量多、训练困难的缺点,提出了基于轻量化3D卷积神经网络的全极化SAR图像分类方法。该方法采用了三种轻量化策略,包括空间散射分离卷积,全局平均池化和瓶颈结构,分别从卷积层、全连接层和网络结构三个方面降低网络的参数数量。与3D卷积神经网络相比,该方法降低了对训练样本的依赖,从而更适合全极化SAR图像分类。实验表明,该方法显著减少了网络参数数量,并且提高了分类精度。2.针对全极化SAR数据的复数相干矩阵,为了充分挖掘复数数据中隐藏的极化信息,提出了一种基于复数轻量化3D卷积神经网络的全极化SAR图像分类方法。该方法以复数全极化SAR数据为输入,通过复数卷积层和复数激活函数提取全极化SAR数据的极化特征。传统的卷积神经网络没有考虑复数输入,只能将全极化SAR数据当作实数处理,丢失了幅度和相位的关联信息。该方法能够在前向传播时保持全极化SAR数据的幅度和相位之间的对应关系,从而减少极化信息丢失,提高网络的分类精度。3.提出了基于全分离卷积神经网络的全极化SAR图像分类方法。首先,使用全分离卷积将3D卷积替换成3个1D卷积,从而减少3D卷积的参数数量。然后,针对1D卷积特征表示能力弱于3D卷积,影响算法分类性能的问题,采用了卷积联合策略增强卷积层的运算复杂度。传统的卷积层中,每个卷积核的输出特征图是独立的,与其它卷积核的参数无关。卷积联合策略将所在层的输出特征图与该层的所有卷积核关联起来,取消了卷积核的独立性,从而增加卷积运算的复杂度。该方法进一步实现了网络的轻量化,并且提高了卷积层特征提取能力,最终提高了模型的分类精度。