极化SAR具有主动、全天候、全天时、侧视成像、探测信号物理意义明确等优势,近年来一系列商业化高分辨率星载极化SAR传感器如RADARSAT-2、ALOS PALSAR、TerraSAR-X、COSMO-SkyMed和Sentinel-1等投入使用,使星载多/全极化SAR图像在灾害监测、森林遥感、城市化、农作物长势监测与制图等地球环境监测中得到广泛应用。其中,利用全极化SAR (PolSAR)图像进行地物分类与信息提取一直是一个非常重要的研究方向,当前研究主要以新分类方法开发与分类特征集优化为主。然而,从方法适用性角度来看,难以保证某一种或几种分类方法适用于所有PolSAR图像分类问题。此外,现有的极化分解方法只能分解出非常有限的地物散射特性,在地物类型较多、复杂环境下难以正确区分不同的地物类型。PolSAR图像相干斑滤波及特征提取特征优化对最后分类结果具有明显的影响,而不同滤波器、不同特征选择方法、不同提取方法间差异性互补信息在PolSAR图像分类中并没有得到充分研究。因此,本论文依据国家自然科学基金“基于集成学习的星载全极化SAR图像分类与信息解译”(课题编号：41171323)、国家自然科学基金委员会(NSFC)-爱丁堡皇家学会(RSE)合作项目“用于地震灾害破坏评估的极化SAR图像处理新方法研究(61211130126)”等对PolSAR高精度信息解译需求,以集成学习理论与方法为分类框架,以多样性提升和新型分类器研建为重点,从PolSAR图像相干斑滤波结果多样性集成、特征集多样性优化、极限学习机新型分类器引入与集成分类为主线,开展集成学习新方法在PolSAR图像地物分类中的应用研究。论文以内蒙古自治区上库力农场RADARSAT-2全极化SAR图像土地覆盖分类为为主要研究对象,并借助国际通用全极化SAR数据,提出了若干基于集成学习的PolSAR图像分类方法,并予以全面分析评价。主要研究结论和创新点：(1)建立了基于滤波结果多样性集成的PolSAR图像分类框架。以提升分类器集成中的成员分类器多样性为目标,考虑了单滤波器-单窗口-多分类器集成、同滤波器-多窗口-同质多分类器集成、及多滤波器-多窗口-多分类器集成三种提升多样性的方案。试验结果表明以上集成学习方法都能不同程度(2%-20%)提高PolSAR图像分类精度。其中,多滤波器-多窗口-多分类器集成通过输入数据多样化、分类器多样化提高了集成学习中各成员之间的差异性和互补性,取得最高的分类精度,并可保留图像更详细的细节特征。(2)提出了基于特征重构和特征集多样性集成的PolSAR图像分类方法,利用PolSAR图像中计算的多种特征和不同极化分解分量,通过特征提取、特征选择和特征集成,通过多样化的特征空间重构,提升了集成学习用于土地覆盖分类的性能。试验结果表明形态学剖面、香浓熵、相干矩阵特征值、各向异性度、体散射、表面散射等特征更适于分类。特征选择、特征提取和分类器多样性集成能够显著提高分类精度。其中,特征选择多样性集成优于特征提取多样性集成,特征选择与特征提取混合多样性集成方法能取得最好的分类结果。(3)建立了基于极限学习机、核极限学习机和极限学习机集成的PolSAR图像分类分类方法。借助集成学习中的Bagging和AdaBoost对极限学习机的弱特性进行了改进,并提出多核极限学习机的Boosting集成方法。结果表明,极限学习机适用于PolSAR图像分类,且通过Bagging、AdaBoost、多核运算、Boosting集成等改进后,能够取得更好的分类结果。(4)研究表明集成学习能够充分集成不同特征集、不同分类器的优势,克服PolSAR影像分类特征区分能力有限、分类性能不稳定等限制,有效提高了上库力农场RADARSAT-2全极化SAR图像土地覆盖分类精度,特别是对于极化分解、监督性Wishart等常规方法难以区分的地物分类效果明显,同时应用于国际上通用测试数据集也取得优于常规方法的分类精度。因此,基于滤波结果多样性集成和特征集多样性学习分类、基于核极限学习机和极限学习机集成的分类在PolSAR影像分类中具有较大的应用前景。