随着极化SAR传感器的发展,所获得数据的空间与时间分辨率不断提高,数据量急剧增加。如何充分有效地利用极化SAR数据进行信息提取和解译,成为迫切需要解决的难题。智能、准确地对极化SAR影像进行处理已成为极化SAR影像研究的主要目标。论文主要针对基于智能优化算法和模式识别的核方法的极化SAR影像处理若干问题,如极化SAR相干斑抑制、极化SAR目标对比增强以及极化SAR数据分类进行了深入、系统的研究和探索。论文首先介绍了电磁波的性质、极化波的表征、目标极化散射特性表征等基础概念。接着,论文对研究中所采用技术方法的基础理论进行了简要介绍,包括进化算法中的经典算法——遗传算法,群智能算法中的代表性算法——粒子群优化算法以及模式识别的核方法。本文重点研究的内容包括：极化SAR相干斑抑制、极化SAR目标对比增强以及极化SAR数据分类三个方面。对极化SAR相干斑抑制方法的研究主要从空域相干斑抑制方法和极化域相干斑抑制方法两个方面进行,具体包括空域中的均值类滤波方法、中值类滤波方法和统计类滤波方法,以及极化域的极化白化滤波和最优加权滤波方法。重点研究了基于核独立成分分析的极化SAR相干斑抑制方法。在探讨极化SAR常用的目标对比增强方法的基础上,着重研究了最优对比增强和两目标同零增强方法,提出了基于粒子群优化算法的极化SAR目标增强方法。论文基于对现有极化SAR数据分类方法的分析,将极化SAR数据的分类方法归纳总结为四种类型,即基于传统光学影像处理的方法、基于统计特性、基于物理散射特性、基于统计特性和物理散射特征相结合的分类方法,并详细介绍了各类方法的代表性算法。在此基础上本文提出了基于智能优化算法的H/α/A和H/α极化SAR分类方法,并对所提出的基于遗传算法的GA-H/a/A-Wishart方法和粒子群优化算法的PSO-H/α/A-Wishart方法进行了深入的研究。论文的创新工作主要在于以下几个方面：(1)针对传统空域滤波无法同时顾及相干斑抑制和边缘保持、极化域无法充分利用极化信息的问题,提出了基于核独立成分分析的极化SAR滤波方法,利用极化数据中尽可能多的目标信息来抑制相干斑噪声,通过对多幅极化影像进行处理,获得一幅相干斑噪声很低的增强的SAR影像,达到抑制相干斑的目的。本论文提出的算法能有效地利用四种极化方式的信息,实验表明,与其他相干斑抑制方法相比,核独立成分分析算法具有更好的滤波效果和保持边缘信息的能力。(2)提出了基于粒子群优化算法的极化SAR目标增强方法,该方法配合最为经典的“三步法”模型进行求解,简化了求解参数,并避免了异常繁琐和复杂的数学推导,同时该方法还具有对比度高的特点。对比于遗传算法的极化SAR目标增强方法,基于粒子群优化算法的极化SAR目标增强方法具有计算简单、收敛速度快、操作方便等特点。(3)提出了基于智能优化算法的H/α/A和H/α极化SAR分类方法,并重点对粒子群优化算法进行了改进,采用粒子淘汰机制用以提高收敛速度,改变惯性权重既可平衡全局和局部搜索能力又可加快算法收敛速度。采用智能优化算法进行极化SAR分类不仅克服了传统H/α/A-Wishart在分类中不可避免地陷入局部最优以及对噪声异常敏感的缺点,而且充分利用了物理散射特性和极化SAR数据统计特征。具有实现简单、使用方便、搜索能力强等特点,能获得更高的分类精度。