传统合成孔径雷达（SAR）图像基于粗分割像素块提取相关特征，后接支持向量机（SVM）和马尔可夫随机场（MRF）或条件随机场（CRF）进行分类，该方法存在同一像素块内部不同类别像素的误差，而且只考虑邻近区域未充分用到全局信息和结构信息。故考虑基于像素点引入全卷积网络（FCN），以ESAR卫星图像为样本，基于像素点级别构建卷积网络进行训练，得到各像素的初始类别分类概率。为了考虑全局像素类别的影响后接CRF-循环神经网络（CRF-RNN），利用FCN得到的初始概率，结合CRF结构得到全局像素类别转移结果，之后进行RNN的迭代进一步优化实验结果。由于基于像素点和考虑了全局信息与结构信息，克服了传统分类的部分缺点，使正确率较传统SVM或CRF方法平均提高了约6.5个百分点。由于CRF-RNN的距离权重是用高斯核人为拟合的，不能随实际训练样本来改变和确定，故存在一定误差，针对该问题提出可训练的全图距离权重卷积网络来改进CRF-RNN，最终实验结果表明改进后方法的正确率较未改进的CRF-RNN又提高了1.04个百分点。