极化合成孔径雷达（PolSAR）利用不同极化方式交替发射与接收雷达信号，能够获得极为丰富的目标散射信息，已成为对地探测的重要工具。极化SAR的成功应用依赖于图像解译技术，极化SAR图像解译能够揭示极化SAR图像本质，为极化SAR系统的自动目标识别建立基础。然而由于研究起步较晚，目前极化SAR图像解译技术不够成熟，还不能满足军事与民用领域的需求。为此本文立足于极化SAR图像解译的两个关键问题——特征提取与分类，开展相应的研究工作。本文研究工作包括极化SAR图像的特征提取与分类两大模块。首先，本文结合极化目标分解与非负特征值理论来开展特征提取的研究工作。其次，本文以极化特征与极化数据统计分布为基础，采用核函数、支持向量机（SVM）以及三重Markov场（TMF）对极化SAR图像分类进行系统研究。论文的主要内容可概括为如下五部分：第一部分以Van Zyl工作为基础来构建非负特征值理论的知识体系。Van Zyl工作主要包括两点：推导得出表征目标散射机制的协方差矩阵是半正定的；提出非负特征值分解（NNED）模型，并给出在反射对称情况下NNED解法。然而VanZyl工作在理论与方法上需要系统地拓展。本文将Van Zyl工作与拓展工作统称为非负特征值理论，其中拓展工作包括：（1）将“极化矩阵应满足半正定性”命名为极化矩阵的非负特征值约束（NNEC），分析NNEC与NNED之间的关系，论述NNEC在极化目标分解中的作用；（2）解译NNED数学模型的物理意义，提出并证明NNED若干重要性质；（3）提出在非反射对称情况下NNED快速解法。非负特征值理论充实了极化SAR的基本理论，能为极化SAR信息处理的相关技术提供理论支持。本部分工作还将非负特征值理论用于确定子空间分解滤波的阈值，实测极化SAR数据实验验证了所提出的滤波方法能提高斑点噪声的抑制效果且能较好地保持边缘与点目标信息。第二部分提出非负特征值理论的NNED后向策略，解决Freeman分解的失效问题。本部分主要工作有：（1）论述Freeman分解的有效性等价于余项满足NNEC，并分析已有方法（前向策略及其衍生策略）不能确保余项满足NNEC；（2）以非负特征值理论为基础，提出了NNED后向策略，从原理上分析NNED后向策略能确保余项满足NNEC，进而解决Freeman分解的失效问题；（3）将NNED后向策略应用于Freeman分解及其改进方法，提出了Freeman分解结合非负特征值理论的极化特征提取方法。实测极化SAR数据实验验证了相比于已有Freeman分解方法，所提出的特征提取方法能明显提高城区的二面角散射功率并抑制城区的体散射功率过估计。第三部分提出非负特征值理论的NNED层次后向策略，并利用NNED后向策略与层次后向策略解决Yamaguchi分解的失效问题。本部分主要工作有：（1）理论分析与实验证实了Yamaguchi分解存在失效问题，指出通过确保余项满足NNEC来解决失效问题；（2）以非负特征值理论为基础，提出了改进的NNED后向策略——层次后向策略，它不仅能解决Yamaguchi分解的失效问题，而且能进一步减少余项功率；（3）将NNED后向策略及其层次后向策略分别应用于Yamaguchi分解及其改进方法，提出了Yamaguchi分解结合非负特征值理论的极化特征提取方法。实测极化SAR数据实验证实相比于已有Yamaguchi分解方法，所提出的特征提取方法能明显提高城区的二面角散射功率并抑制城区的体散射功率过估计，另外层次后向策略的余项功率明显低于后向策略的余项功率。第四部分首先利用SVM分类方法来评测NNED后向策略与层次后向策略提取的散射功率对极化SAR图像分类的效果，实测极化SAR数据实验表明NNED后向策略与层次后向策略提取的散射功率有助于提高极化SAR图像分类的精度。其次，利用SVM与加权合成核来构建极化SAR图像分类方法，以提高基于SVM的极化SAR图像分类方法性能。构造加权合成核的关键是确定权重系数，本文通过训练样本在特征空间上的距离来确定核函数的权重系数。实测极化SAR数据实验验证了所构造的加权合成核能有效融合多种特征，提高基于SVM的极化SAR图像分类方法性能。第五部分工作是将TMF及其改进模型应用于极化SAR图像分类，以提高基于MRF的极化SAR图像分类方法性能。本部分主要工作有：（1）分析极化SAR图像的非平稳特性，指出TMF适合处理极化SAR图像分类；（2）提出极化SAR图像分类的TMF模型及算法，利用实测极化SAR数据实验验证了TMF方法优于MRF方法；（3）分析TMF辅助场的局限性，定义了极化SAR图像的平滑特征，并将平滑特征融入到TMF模型提出了TMF-SAF模型，从原理上阐述了TMF-SAF能够克服TMF辅助场的局限性。实测极化SAR数据实验验证了极化SAR图像分类的TMF-SAF方法优于MRF与TMF方法。