La clasificación de tipo de barcos de imágenes de radar de apertura sintética con redes neuronales convolucionales (CNN) se ha enfrentado a conjuntos de datos etiquetados insuficientes, imágenes de polarización no optimizadas y ruidosas que pueden deteriorar el rendimiento de la clasificación. Mientras tanto, numerosa información de texto etiquetada para barcos, como longitud y anchura, se puede obtener fácilmente de diversas fuentes y se puede utilizar en una clasificación con vecinos más cercanos (KNN). Este estudio propone un método para mejorar la eficiencia de la clasificación de tipo de barco a partir de datos de doble polarización de Sentinel-1 con un espaciado de píxeles de 10 m utilizando tanto modelos CNN como KNN. En la primera etapa, se utilizaron imágenes de intensidad de Sentinel-1 centradas en posiciones de barcos en forma rectangular para aplicar un procedimiento de procesamiento de imágenes como orientación, relleno y aumento de imágenes. El proceso aumentó la precisión en un 33,0% y un 31,7% para la polarización VH (transmisión vertical y recepción horizontal) y VV (transmisión vertical y recepción vertical) en comparación con la clasificación basada en CNN con imágenes de barcos originales, respectivamente. En el segundo paso, se comparó un método combinado de CNN y KNN con un caso de solo CNN. El puntaje f1 de solo CNN fue de hasta 85,0%, mientras que el método combinado mostró hasta 94,3%, lo que representó un aumento del 9,3%. En el futuro, se investigarán más detalles sobre un método de optimización a través de experimentos de campo de clasificación de barcos.