极化SAR是一种先进的遥感信息获取手段。与单极化SAR相比,它通过测量每个分辨单元在不同收发极化组合下的散射特性,更完整地记录了目标后向散射信息,为详尽分析目标散射特性提供了良好的数据支持。极化SAR图像分类是图像解译的重要步骤,分类图既可作为中间结果为边缘提取、目标检测、识别等提供辅助信息,也可作为最终结果直接输出给用户。开展极化SAR图像分类研究对于探索目标散射特性、提高极化SAR系统的应用水平具有重要的理论意义和实用价值。论文以揭示目标散射机理和提高分类精度为主要目的,系统地研究了极化SAR图像分类方法。揭示目标散射机理是极化SAR数据分析的重要目的之一,现有这方面研究一般只针对全极化数据。双极化是极化SAR常用的工作模式,为研究双极化SAR对目标散射机理的识别性能,论文对H-α方法进行了修正。推导了双极化H-α平面有效区域的边界,从理论角度研究了双极化SAR对各向同性表面、偶极子和各向同性二面角三种基本散射的识别能力,通过实验分析了双极化SAR对H-α平面有效区域内八种基本散射机理的识别性能,并给出了HH-VV双极化H-α平面的一种可行划分方式。现有极化SAR图像分类算法大多以像素为基本分类单元。为提高分类精度,论文从改进已有算法和引入发展于其它领域的算法两个角度,对基于像素的分类方法进行了研究。H-α方法是最为著名的极化SAR图像非监督分类方法之一,但其分类图存在地物类别模糊问题。针对该问题,通过结合C-均值算法,提出H-α-CM算法,从而将H-α方法的散射机理分类转化为地物分类。为自动确定迭代次数,定义了分类图像熵,以熵最大作为H-α-CM算法的迭代终止准则,并通过实验分析了该准则的合理性。SVM是一种较新的分类和回归算法,论文研究了它在极化SAR图像分类中的应用。为避免依据经验选择特征导致分类性能不稳定,提出以支持向量个数作为评估指标的NSVFS特征选择算法,并将其用作SVM分类的预处理,从而构成完整的利用SVM进行特征选择和分类的NSSVM算法。实验结果表明该算法对SVM参数的敏感性较低,具有较强的自适应性。最后,以SVM为分类器,定性、定量地比较了全极化、双极化和单极化SAR的分类性能,并从目标散射特性和分类器工作原理的角度阐明了三者性能差异的成因。基于像素的方法能保持分类图的地物细节,但其性能易受相干斑影响。基于区域的方法在分类过程中考虑像素空间相关性,可有效减弱相干斑的不良影响。MRF是一种常用的描述像素空间相关性的模型,在将MRF引入极化SAR图像分类的过程中,为充分利用数据的统计先验知识和避免拆分协方差矩阵导致信息损失,将MRF与协方差矩阵的Wishart分布结合,提出WMICM算法。随后,针对watershed算法过分割时存在锯齿效应的问题,采用MRF进行过分割,提出MOS-ML算法。WMICM和MOS-ML在分类的不同阶段考虑像素的空间相关性,前者由初始分类和ICM调整两个步骤构成,在第二步中引入相邻像素相关性:后者包括仞始过分割和ML分类,在构造过分割得到的大量子区域的过程中利用像素相关性。由于利用了极化数据的统计先验知识和相邻像素的空间相关性,因此两种算法均具有较高的分类精度,并能获得清晰平滑的分类图。