为了获得极化合成Kong径雷达(PolSAR)图像的良好分类性能,需要许多标记的样本进行训练。 然而,在实践中获得标记的样品是困难,昂贵和费时的。 另一方面,未标记的样品比标记的样品便宜得多,数量也很多。 为了解决这个问题,提出了半监督学习技术。 本文提出了一种基于改进的协同训练过程的半监督算法,用于PolSAR图像分类。 首先,我们提出了一种间接分析策略,以分析两种不同观点的共同训练的充分性和独立性。 然后,提出了一种采用新的样本选择策略的改进的协同训练过程,该方法可以有效地利用未标记的样本来提高分类性能,尤其是在标记的样本有限的情况下。 最后,提出了一种基于相似性原理和超像素算法的后处理新方法,以提高分类的一致性。 在三幅真实的PolSAR图像上的实验结果表明,本文提出的方法是一种有效的分类方法,优于其他传统方法。