冰川识别对于周边地区水资源与气候变化监测具有重要意义。全极化SAR影像包含地物表面散射、偶次散射、体散射、统计特性等丰富的特征，而深度学习能够充分挖掘影像信息，因此使用全极化SAR影像结合深度学习能够得到精确的冰川识别效果。本文基于喜马拉雅山脉西端ALOS2-PALSAR全极化影像，使用VGG16特征提取网络与全卷积神经网络模型U-net相结合的VGG16-unet对冰川进行识别。采用的特征包括极化相干矩阵对角线元素、Freeman-Durden、H/A/α、Pauli、VanZyl、Yamaguchi这5种极化分解参数共计19种特征。为了充分利用影像信息，对这些特征进行分析与组合，并比较它们之间的冰川识别精度，以选取最佳特征。由于冰川与非冰川的地形具有明显差异，因此将DEM、坡度、局部入射角等作为辅助特征与极化特征结合。通过对比不同极化特征分类精度得出，基于物理特性的Pauli、Freeman-Durden、VanZyl、Yamaguchi特征分类的精度较高，其中Pauli特征分类的精度最高，整体精度(OA)达到92.54%，平均用户交并比(mIoU)达到78.78%。加入地形数据后...

来源平台：遥感学报