极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,极化SAR)是一种多参数、多通道的成像雷达系统,它通过测量地面上每一分辨单元内的极化散射回波来获取目标的极化信息,如散射矩阵、极化相干矩阵等。与传统雷达图像相比,极化SAR图像能够提供更多的地物信息和分类特征。由于极化SAR数据的复杂性,极化SAR图像分类方法的研究不仅是一个热点问题,也是一个难点问题。极化SAR图像地物分类方法研究对于探索目标的极化散射特性,提高极化SAR图像的解译水平具有很重要的理论意义和现实价值。我国的极化SAR图像处理还停留在数据解译的初级阶段,分类算法的准确率和稳定性都亟须改善。本论文中,对极化SAR的目标分解方法以及地物分类方法进行了系统的研究,提出了一系列实际有效的极化SAR图像地物分类方法和数据分解算法,主要的研究成果有:1.提出了一种基于散射机制系数的极化SAR图像地物分类方法。针对相干矩阵的特征值和特征向量对目标的极化特征描述过于复杂的问题,根据相干矩阵的特征值和特征向量的物理含义,提出了三个与散射机制相关的参数,分别是单目标散射机制系数、双目标散射机制系数和混合随机散射机制系数,可用于表征每一个像素点上存在多少种散射机制,利用真实的极化SAR数据验证了散射机制系数在地物分类方法中的可用性和合理性。为了更加准确的描述极化SAR数据的内在物理特性,对所提的散射机制系数进行了改进,针对不同的地物目标的散射熵,使用不同的散射特征向量,并且在散射机制系数的提取过程中,考虑像素点的先验概率。通过对比已有的散射机制系数,改进的散射机制系数更加符合实际的地物目标。经过真实极化SAR数据的实验,证实了基于改进散射机制系数的极化SAR图像地物分类方法的有效性;2.提出了一种基于非反射对称散射模型的Freeman/Eigenvalue分解算法。已有的Freeman/Eigenvalue分解算法需要极化SAR数据满足反射对称性假设,但是实际的地物目标往往是不能满足反射对称性,针对这一矛盾,提出了不需要反射对称性假设的表面散射模型和二次散射模型,提出了一种新颖的Freeman/Eigenvalue分解算法。提出的Freeman/Eigenvalue分解算法具有三个特点:一是不需要反射对称性,更符合实际地物的数据特征,尤其是在复杂的人工建筑区域,二是散射能量是相干矩阵特征值的线性组合,因此散射能量都具有旋转不变性,三是不需要进行能量限制,而且不存在负值的表面散射能量和二次散射能量。利用真实的极化SAR数据实验证明了基于非反射对称性散射模型的Freeman/Eigenvalue分解的有效性;3.提出了两个基于改进体散射模型的Freeman/Eigenvalue分解算法。第一个是基于体散射模型扩展的Freeman/Eigenvalue分解算法。针对极化SAR地物目标方位角的随机性会导致不同类别的目标表现为相同的散射特征,使用了两种单位变换矩阵对极化SAR数据的相干矩阵进行去取向处理,消除方位角的随机性,同时使得到的交叉极化项达到最小值点,消除了表面散射能量和二次散射能量的负值现象。针对不同的地物目标,使用了不同的体散射模型,采用有别于现有的Freeman/Eigenvalue分解算法的判别式来判断体散射是来自于植被还是人工建筑,对于来自于植被的体散射,使用同极化比来选择合适的体散射模型,使得目标分解的结果更符合实际的地物目标。第二个改进的Freeman/Eigenvalue分解算法是利用去取向后的相干矩阵的特征值分解,由特征空间中提取体散射模型,同样,在植被和人工建筑使用了不同的体散射模型。通过真实的极化SAR数据实验,验证了改进的两种Freeman/Eigenvalue分解方法的可用性和有效性;4.将所提的散射机制系数与Wishart MRF分类器相结合提出了一种极化SAR图像地物分类算法。首先利用极化SAR数据的相干矩阵提取散射机制系数,根据散射机制系数进行粗糙分类,得到三个类别;然后对相干矩阵进行Freeman-Durden分解,利用得到的散射能量,进行细化分类,得到十个更为精细的类别,最后利用Wishart MRF分类器,进行迭代分类,得到最终的分类结果。在迭代过程中,利用了有限制的类别转换机制,对粗糙分类和细化分类中的散射特征进行有限制的保持,在充分利用统计特征的同时,能够降低Wishart分类中的误差。利用实际的极化SAR数据实验,验证了所提地物分类算法的有效性。