多/高光谱图象不仅包含了普通遥感图象的二维空间信息,而且具有丰富的光谱信息,特别是高光谱图象可以形成一条近似连续的光谱曲线。而SAR图象主要反映了地表物质的介电特性与几何特性,空间纹理细节信息丰富,其中极化SAR图象更是包含了地物散射的极化信息。因此协同利用多/高光谱图象的空间光谱信息以及SAR图象的极化散射信息,进行地物分类识别具有重要的研究意义和应用前景。本文按照数据源的特点以及信息量的多少,将多/高光谱和SAR图象分为了两组来进行特征提取与选择方法的研究,从而充分利用两者在光谱以及极化散射信息方面的优势互补,并在此基础上,以对地物的高精度分类识别为最终目的,实现了面向分类的基于多层次的协同处理:第一组为多光谱和SAR图象,本文根据其各自的特性,研究了多光谱图象的光谱特征,以及SAR图象的纹理特征,其中包括局部统计特征、基于灰度共生矩阵的纹理特征和分形维数特征,并采用了基于遗传算法的特征选择方法对SAR纹理特征进行了选择,去除冗余信息,来为后续多光谱与SAR图象更加快速、准确地协同分类做好准备。第二组为图象信息量更加丰富的高光谱和极化SAR图象。为了得到最能反映分类本质的光谱特征集并克服“维数灾难”现象,本文主要研究了更适合于高光谱特征提取的双重最近区域变换方法,并将该方法与传统的主成分分析和线性判别分析方法进行了对比。而针对极化SAR图象,本文研究了/A分解、Freeman分解、Yamaguchi分解和基于多成分散射模型的目标分解方法来实现特征提取,为后续高光谱与极化SAR图象的协同分类奠定基础。最后,在以上对多/高光谱与SAR图象特征提取与选择研究的基础上,本文从特征层和决策层出发,重点研究了基于并行特征组合的特征层协同分类算法和基于模糊集理论的决策层协同分类算法,并由以上两种方法得到启发,本文提出将特征层与决策层相结合,将更加精确的特征层协同分类结果作为决策层协同分类的输入,从而保留并利用了特征层和决策层协同分类各自的优点,实现了面向分类的多层次、高精度的协同处理。