极化合成孔径雷达(POLSAR)是能获得一定波长和视角下目标全极化散射信息的SAR传感器。由于能对目标进行更为全面的描述,极化SAR获得的海量图像资源在SAR图像解译的诸多方面起到极为重要的作用。其中,利用极化SAR图像进行地物目标分类已成为SAR实际应用的一个重要方面。事实上,由于地物目标的极度复杂性及极化数据处理的高维性,以现有的技术尚无法达到理想的目标分类要求,如何实现快速、准确的极化SAR图像分类已成为当前极化SAR研究的一个热点问题。极化SAR图像分类是SAR图像解译的重要内容,从现有的文献来看,基于目标分解理论的极化SAR图像分类算法是所有分类算法中较为实用、准确,且发展较快的。以此为研究背景,论文首先介绍了雷达极化的基础理论,并在此基础上系统地分析了当前各种典型目标分解算法的特性,最后总结了几种典型的基于目标分解理论的极化SAR图像分类算法,并在此基础上提出了基于Freeman分解与散射熵的极化SAR图像分类算法。论文的主要工作包括:首先,作为全文研究的理论基础,本文详细介绍了极化散射矩阵、Mueller矩阵、相干矩阵、协方差矩阵等极化SAR数据的常见表现形式及其物理含义,为后续研究提供理论支撑。其次,作为分析极化SAR数据中蕴含物理信息的一种较为有效的手段,本文对目标分解理论进行了详尽的阐述,通过对目标分解理论的概念、算法分类依据、典型算法的介绍以及实测数据的实验验证,说明了Cloude分解算法与Freeman分解算法在提高分类性能上存在的潜力。最后,本文重点介绍了三种基于目标分解理论的极化SAR图像分类典型算法并分析其特点与存在的问题,在此基础上提出了一种基于Freeman分解与散射熵的迭代分类新算法,实验结果证明该算法确实提高了分类性能,具有可行性。