高分辨SAR图像相比于中低分辨率SAR图像,能够对地物更清晰的呈现。但由于同种物体间的细微差异,即便同种地物也具有不同的反射回波,在图像中呈现出较大的差别。传统的中低分辨率SAR图像处理方法不再适用于高分辨SAR图像的处理。在高分辨SAR图像中,大量的信息细节使得图像具有较强的冗余性,即图像中具有较多的相似信息但在空间距离上并不存在相邻的关系,具有非局部的特点。本文以高分辨SAR图像的自相似性为出发点,对基于非局部的高分辨SAR图像处理方法展开研究,重点研究了高分辨SAR图像的去斑问题及分类问题。本文的主要研究工作和创新点如下:(1)改进了基于非局部主成分分析与权重核范数最小化联合的高分辨SAR图像去斑方法。在基于非局部的SAR图像去斑方法及核范数最小化的研究基础上,针对强噪声时,简单的基于非局部的核范数最小化去斑方法的去斑结果有噪声残留的问题,提出改进。通过主成分分析方法对图像进行预去斑后,再利用权重核范数最小化的方法滤波。通过仿真图像和实测SAR图像验证,该去斑方法能够在去除斑点噪声的同时,保持原图像的结构信息,具有较为理想去斑结果。(2)提出了基于非局部聚类核范数最小化的高分辨SAR图像去斑方法。针对非局部信息与滤波方法联系不紧密的问题,利用聚类获得的非局部信息的相似性,对低秩矩阵进一步约束。提出基于聚类的核范数最小化模型,推导出迭代重权重的正则化核范数最小化求解方法,并将该模型用于解决高分辨SAR图像去斑问题。通过仿真图像和实测SAR图像验证,基于非局部聚类核范数最小化的去斑方法具有更好的结构保留能力,在边缘处理上,具有更清晰的边缘轮廓。(3)改进了基于非局部超像素的无监督高分辨SAR图像分类方法。针对高分辨SAR图像分类时易受噪声点干扰的问题,对模糊C均值聚类方法进行改进。将非局部信息与局部信融合作为输入,利用超像素分割获得更为可靠的局部信息,通过基于非局部聚类核范数最小化的去斑方法获得的非局部信息修正由于误分割而导致的边缘错分,提高分类正确率。最后给出基于非局部超像素的无监督高分辨SAR图像分类方法流程。由仿真图像和实测SAR图像验证,该方法具有较强的抗噪声能力,且不受地物分布的影响,分类精度较为理想。