当前,合成孔径雷达干涉测量技术(InSAR)已经成为三维地形测绘的重要手段之一,而两维相位解缠绕(Phase Unwrapping, PU)技术又是干涉合成孔径雷达技术中最为至关重要的一个环节,传统的单基线相位解缠绕技术以相位连续性假设为前提,即相邻像素的相位差小于π,然而现实世界存在很多地形不满足相位连续性假设,尤其是针对复杂地形测绘时。为了克服单基线InSAR技术存在的相位欠采样和高程层叠等问题,人们提出了多基线/多频率InSAR技术。多基线/多频率InSAR系统作为微波遥感三维地形测绘技术未来发展的一个重要方向,其不仅仅能够有效地克服单基线InSAR系统存在的问题,而且还可以利用基线多样性(或者频率多样性)辅助实现相位解缠绕。多基线/多频率InSAR系统设计之初是不需要相位解缠绕的,但是由于其理论基础一中国余数定理糟糕的噪声鲁棒性,多基线/多频率InSAR技术仍然需要解决相位解缠绕问题。以多基线相位解缠绕问题为例,我们需要面对比单基线相位解缠绕问题更加复杂的情况,首先,多基线相位解缠绕问题的L1范数优化模型的解不再等价于对应的整数规划的解,并且目前没有直接求解多基线相位解缠绕问题整数规划的解的高效算法；其次,多基线相位解缠绕问题存在数据量巨大的问题,对同一地区更多的信息可以有助于相位解缠绕,同时也加大了计算机的内存负荷,对计算机的硬件水平提出了更高的要求。本文以多基线相位解缠绕技术为研究内容,针对目前多基线相位解缠绕算法中存在的问题和目前的计算机硬件水平的限制以及实测数据中噪声的强度,提出了多种不同的多基线相位解缠绕算法。论文的主要研究内容可以概括为以下几个方面：1,L1+L∞范数的多基线相位解缠绕方法本文首先分析了单基线相位解缠绕算法和多基线相位解缠绕问题的不同,并指出L1范数的多基线相位解缠绕问题的解不再等效于多基线相位解缠绕整数规划问题的解的原因。本文针对传统的L1范数的多基线相位解缠绕算法存在的内存消耗量巨大的问题,提出了一种混合范数的多基线相位解缠绕方法,L1+L∞范数的多基线相位解缠绕方法,该方法通过用L∞范数的惩罚函数近似干涉相位图之间约束关系对应的L1范数的惩罚函数的来降低优化变量的维度,该改进措施可以同时降低解缠绕算法的内存消耗量和提高算法的执行效率。针对多基线相位解缠绕问题L1范数的解与整数规划的解不一致的问题,本文提出对传统L1范数的多基线相位解缠绕算法的求解结果进行就近取整的策略来获得模糊数。仿真数据和实测数据的实验验证了本文采取的改进措施可以有效地估计模糊数,除此之外,本文测试了传统的L1范数算法和L1+L∞范数的相位解缠绕方法在不同的相关系数的条件下的性能和运算时间对比。实验证明,在获得近乎相同的解缠绕效果的基础上,本文提出的L1+L∞范数的多基线相位解缠绕方法比传统的L’范数的相位解缠绕方法执行效率更高。2,L∞+L1范数的多基线相位解缠绕方法本文针对传统的L’范数的多基线相位解缠绕方法以及其改进算法L1+L∞范数的多基线相位解缠绕方法的内存消耗量巨大和处理噪声极其严重区域的相位解缠绕问题时效果不佳两方面问题,提出了另一种混合范数的多基线相位解缠绕方法,L∞+L1范数的多基线相位解缠绕方法。与L1+L∞范数方法不同,该方法用L∞范数的惩罚函数近似干涉相位图内相邻像素之间约束关系对应的L1范数的惩罚函数。与传统的L’范数的相位解缠绕方法相比本文提出的L∞+L1范数相位解缠绕方法中的优化变量的维度降低了约57%。另一方面,本文提出的方法通过降低干涉相位图中相邻像素之间的约束条件的约束强度而保持干涉相位图之间约束关系的约束强度,从而使得相邻像素之间容许的误差要比L’范数约束条件下的大,而此时解缠绕相位在干涉相位图之间较强的约束下相邻像素之间的绝对相位差和估计相位差不再严格一致,反映在解缠绕相位图中的结果显示该方法对噪声较严重区域的相位解缠绕存在滤波效果。实测数据的实验验证了本文提出的L。。+L’范数的相位解缠绕方法在处理噪声较严重区域的解缠绕问题的有效性。3,基于聚类分析的鲁棒的多基线相位解缠绕算法中国余数定理(Chinese Reminder Theorem, CRT)较差的噪声鲁棒性是限制基于中国余数定理的多基线相位解缠绕方法应用的重要原因,而提高CRT算法的噪声鲁棒性可以从两方面入手,首先是提高CRT算法本身的噪声鲁棒性,其次是利用基于聚类分析的方法降低多基线相位解缠绕问题的噪声。本文针对基于聚类分析的传统的CA (Cluster Analysis)算法中聚类分析效果较差的问题,指出导致聚类分析效果较差的原因有两个,一是CA算法中的直方图法不能有效的区分截距值临近的两个不同的类,另一个是传统的CA算法受类内像素截距值的渐变的影响较大。针对第一个问题本文提出通过增加截距值的方位向和距离向的相对位置信息,从而在高维空间中实现聚类分析而不是仅仅在截距维中区分不同的类,这是因为在高维空间中,截距值相近的类在空间中是分离的。针对类内像素截距值的渐变现象带来的影响,本文提出利用截距图的密度信息来区分不同类的边界以及用基于密度信息的聚类方法来实现聚类分析。本文中提出的基于密度的聚类分析算法是经典的DBSCAN (Density-Based Spatial Clustering of Application with Noise)算法在多基线相位解缠绕问题中应用与改进,首先,我们根据多基线相位解缠绕问题的数据结构改进了原DBSCAN算法中确定某点是否为核心点以及与其直接密度可达的点的搜索范围,使得聚类算法的时间复杂度由原DBSCAN算法的O(NlogN)降低到D(N),即本文中提出的基于密度的聚类分析算法是一个线性算法；其次,我们提出了一个能够自适应地选择基于密度的聚类算法的关键参数的方法,如此可以避免使用暴力的方式获得较好的关键参数组合。结合本文中提出的基于密度的聚类分析方法,我们提出了基于聚类分析的鲁棒的多基线相位解缠绕算法。通过大小为10000×10000的实测数据实验验证了本文提出的基于密度的聚类方法可以有效地实现聚类分析,相比于传统的CA算法中的聚类算法,本文中的方法的聚类精度更高并且可以克服截距值渐变现象的影响,而且本文中提出的鲁棒的多基线相位解缠绕方法具有较低的时间复杂度和空间复杂度,可以处理大规模的实测数据。除此之外,本文中的聚类算法具有较高的噪声鲁棒性,实测数据实验显示噪声的影响仅仅是产生噪点,并不会影响图像质量较好的区域的聚类分析。4,改进的聚类分析算法针对基于密度的聚类方法存在算法流程执行效率不高的问题,本文提出了改变聚类算法的流程图,通过优先确定所有带聚类数据中的点是否为核心点再进行基于密度的连通性分析,从而避免确定某点密度可达的点时需要重复计算某些点是否为核心点。针对聚类分析中存在大量噪点的问题,本文提出用L∞范数的距离测度重新定义两点之间的距离。如此改进的好处主要表现在以下两个方面：首先,L∞范数的距离测度利于计算两点之间的距离,其次,对两点之间距离越远的点其容许的截距值的变化越大,因此在聚类分析过程中产生的噪点数会更少。通过仿真数据和实测数据实验可以验证本文提出的改进的基于密度的聚类方法可以有效地减少噪点的产生、减少特小类的产生以及降低算法的运算时间。