当前，基于深度神经网络模型的极化SAR图像地物分类存在两大难题：标签样本需求量大，严重制约标签样本稀缺情况下的分类性能；极化SAR领域知识利用率低，容易造成特征学习过程稳定性差、解译结果缺乏物理散射意义。针对以上难题，我们以散射机理引导极化SAR深度网络模型的结构建立和损失设计，借助深度生成式模型从无标签数据中获取深层散射特征，提升领域知识在模型中的利用率，为下游实际应用任务提供可靠的特征保障，降低深度神经网络模型对于标签样本的依赖。具体工作总结如下：
1）提出极化目标分解特征学习模型，将目标分解嵌入深度生成式模型中。在不同场景下，模型能根据输入数据特性学习契合当前地物散射特性的分解特征，该特征具备物理散射意义以及地物判别性，可用于地物分类、图像分割等任务。
2）提出稀疏变分自编码特征选择模型，将深度网络模型与分解特征子集决策过程相融合，让模型捕获极化数据分布特性的同时凸显代表性分解特征。基于所选特征子集可有效开展地物分类、图像分割、变化检测等任务。
3提出基于N-cluster损失的深度测度学习分类模型，提升复杂样本在特征空间的判别性。引入对抗学习模块，增强模型鲁棒性的同时提升收敛速度，改善在复杂区域的分类性能。
综上，将散射机理与深度神经网络模型有机融合可以有效缓解传统基于深度模型的极化SAR图像解译方法鲁棒性低、标签样本需求量大、可解释性差等问题。因此，如何有效表征散射机理以及如何将其融入深度网络模型，对于建立可解释的鲁棒性智能SAR图像解译方法意义重大。
 

极化SAR，地物分类，特征学习，深度学习