极化合成孔径雷达作为遥感领域最先进的探测器之一，可以全天候、全天候提供丰富的目标信息。近年来，由于极化合成孔径雷达系统良好的性能，极化合成孔径雷达信息提取的发展受到越来越多的关注。特别是极化合成孔径雷达图像分类，作为极化合成孔径雷达图像解释的基础，已经得到了广泛的研究。与单极化SAR相比，PolSAR是一种多通道SAR系统，具有更丰富的极化目标分解特征和相位信息。因此，它在地形分类研究中受到了广泛的关注。
深度学习在模式识别领域表现出色，例如图像分类、对象检测和自然语言处理。常用的深度学习算法包括深度置信网络(DBN)、卷积神经网络(CNN)和递归神经网络，其中CNN主要应用于计算机视觉。在计算机视觉领域，传统的图像分类算法中特征提取器通常是手工制作的，具有统计或物理特征，以很好地表示不同类型的目标。然而，卷积神经网络CNN彻底改变了这种模式，它自动从数据中学习分层表示，并以显著的优势显示出优于传统方法的性能。
传统的SAR图像分类问题分为特征提取与分类器设计两个阶段。分类性能在很大程度上依赖于特征提取，而特征提取通常需要大量的工作，并且需要深入的领域知识。提取的特征可能无法直接输入到任意分类器中，必须仔细选择分类器。此外，目前用于遥感图像分类的分类器多为浅层结构，对于不同的传感器配置，其泛化能力较差。相较传统方法，深度学习可以自动提取特征，因此基于深度学习的方法在SAR图像地物分类中越来越流行，具有较大的研究价值。主要从任务特征和数据形式两个方向，涌现了大量的研究，包括网络层次结构设计与改造、经典模型到极化合成孔径雷达识别的迁移学习、针对PolSAR图像数据特点改造网络组件等。
在深度学习普及之前，机器学习算法已经在极化合成孔径雷达图像分类中应用了很长时间。以支持向量机为代表的统计机器学习方法已经被用来实现极化合成孔径雷达图像的特征分类[12]。
近年来，深度神经网络算法在计算机视觉的许多领域已经超越了传统的光学图像算法。与传统方法不同，深度神经网络能够自适应地从特定的数据集和任务中获取特征并学习分类器，具有更强的灵活性和鲁棒性。已有研究将深度学习算法应用于PolSAR图像分类任务，并取得了很好的效果。丁等人,首次引入了四层CNN架构[13]来进行SAR图像目标识别。Ren等人，引入了一种基于patch排序的架构，用于高分辨率SAR图像分类[14]。而CNN在PolSAR图像分类中的应用处于快速发展阶段。Zhou等人，通过将浅层模型叠加[15]，引入三层体系结构，首次将CNN应用于PolSAR图像分类[16]，并获得了期望的分类结果。
为了追求更强大的性能，设计适合极化合成孔径雷达图像分类的卷积神经网络架构是必要的。相关研究正在进行中，根据研究的重点，可以大致分为两部分，即任务特征和数据形式。
缺少监督信息是极化合成孔径雷达图像分类的典型任务特征。获取极化合成孔径雷达图像并不困难，但它们没有标签。所以大部分极化合成孔径雷达图像不能被现有的主流卷积神经网络直接使用。而且相对于光学图像来说，手工标注更加困难。目前POLSAR图像分类的相关研究中，针对极化合成孔径雷达图像分类的任务特征，引入了以下弱监督方法，实现了极化合成孔径雷达图像小样本分类：
- 自动伪标签。一个超像素约束网络，借助伪标签策略来进行半监督的PolSAR分类[17]。
- 迁移学习。Wu等人，在改进的U-Net [18]上实现了迁移学习，以实现PolSAR小样本像素级分类。Huang等人，提出了如何将在别的数据集中学习到的知识迁移到SAR图像识别的网络架构中[32],讨论并验证了什么样的网络和源任务更适合迁移到合成孔径雷达目标识别，在哪个层传输的特征对合成孔径雷达目标更通用以及如何有效地传输到合成孔径雷达目标识别。
- 正则化技术。Bi等人，在普通的CNN中添加了基于图的正则化项，并实现了半监督的PolSAR分类[19]。
与光学传感器不同，极化合成孔径雷达由于其独特的散射成像机制，可以获得目标与雷达之间的相位信息，即相位信息是合成孔径雷达图像特有的。对于POLSAR数据，协方差/相干矩阵的非对角元素的相位对于识别不同类型的散射体是有用的。由于不同的成像机制，直接遵循光学图像分类的结构可能无法充分利用卷积神经网络在极化合成孔径雷达图像分类中的能力。在合成孔径雷达图像解释的深度学习应用领域之前的研究中，直接将实数神经网络应用于合成孔径雷达图像的振幅，而忽略相位信息。因此在极化合成孔径雷达图像分类任务中，卷积神经网络仍具有改进的潜力，其中使结构适应复数极化合成孔径雷达数据被广泛研究和考虑，充分利用极化合成孔径雷达数据所包含信息的结构，对于极化合成孔径雷达图像分类卷积神经系统的发展具有重要意义。
在大多数研究中，极化合成孔径雷达协方差矩阵被用作卷积神经网络的输入[3][6][9]，当极化合成孔径雷达协方差矩阵的上三角形的每个元素被视为输入的一个通道时，相位信息隐藏在输入通道之间。
目前POLSAR图像分类的相关研究中，针对极化合成孔径雷达图像数据的特性对网络进行改造，主要包括：
