合成孔径雷达（Synthetic aperture radar,SAR）图像地物分类是SAR图像理解中的一项重要内容。现实世界中,地物和目标类别在空间分布上存在一定的规律和模式,主要表现为同一类别在空间上具有聚集效应,而不同类别在空间上存在一定的依赖或排斥效应,本文将这些信息称为关于类别的先验信息。由于数字图像本身对现实世界的反映具有局限性,利用地理信息、专业情报与人类经验等辅助信息来提升数字图像解译的性能就显得非常重要。尤其对于高分辨率SAR图像而言,特殊的成像机理使得SAR图像中存在严重的斑噪声,甚至图像中的目标存在部件缺失和结构变形,这对SAR图像地物分类和精细目标提取的性能造成严重影响。因此,如何利用所关注类别的先验信息（如空间上下文、目标结构和形状先验等）并结合图像特征来提高SAR图像分类准确率和效率是本文研究的主题。本文在分析SAR图像分类现状的基础上,围绕SAR图像分类中亟待解决的几个关键问题,包括噪声严重对分类的影响、目标语义缺失对精细分类和目标提取的影响以及海量数据条件下训练集真值获取困难等,通过有效引入先验信息到SAR图像分类中,来提高SAR图像分类的精度和降低训练集获取的成本,并在一定程度上解决这些关键问题。本文首先归纳了分类中先验信息的主要表现形式和基于条件随机场的先验信息表示方法;着重研究了针对空间上下文、目标结构和类别比例等先验信息的表征与建模,以及在SAR图像分类中的应用。本文主要研究内容包括基于空间上下文信息的SAR图像分类方法、基于目标结构先验的SAR图像分类方法和基于类别比例信息的SAR图像分类方法。本课题旨在为海量SAR图像的理解应用提供方法支持。空间上下文是一种最基本的先验信息。基于空间上下文信息的SAR图像分类主要研究空间上下文在局部和全局范围上的表示,本文通过利用全连接条件随机场模型来集成低层特征和空间上下文信息,研究了相应的推理和学习方法,有效提升了噪声条件下的SAR图像分类效果。目标结构先验是空间上下文在目标层面的具体体现。基于目标结构先验的SAR图像分类主要研究目标结构的表示,本文建立了集成低层特征、空间上下文与目标结构的条件随机场分类模型,并研究了该分类模型的推理与学习,改进了噪声和目标结构缺失条件下SAR图像精细分类和分割的性能。类别比例信息是地物类别隐含的一种空间分布信息,这类信息可以用于样本弱标注和基于弱监督的SAR图像分类。基于类别比例信息的SAR图像分类主要研究基于类别比例的弱标注方法,本文建立了基于类别比例约束的弱监督SAR图像分类模型,研究了面向弱监督分类的推理方法,提升了SAR图像标注效率,实现了低标注成本下的弱监督SAR图像分类。本文提出的先验信息建模与辅助应用方法提升了高分辨率SAR图像分类的性能,初步解决了高分辨率SAR图像分类应用中存在的部分关键问题。此外,还有一些方面值得深入研究,如将空间上下文信息拓展到对目标群的分析以及研究多尺度的目标结构建模等。