极化合成孔径雷达（Polarimetric synthetic aperture radar,简称为极化SAR）是一种多通道合成孔径雷达,有HH、HV、VH、VH四个通道,应用于环境监测、地球资源勘探和军事系统等。它通过垂直和水平发射和接收电磁波而形成的。后向散射波的极化变化通过反射目标而改变,极化传感器可以获得更多的信息来描述地表结构、地表覆盖、几何结构等。并且,极化SAR系统还具有全天时作业、不受天气条件影响、有效捕捉地面几何和地理结构的优点。但极化SAR图像场景分类由于数据获取困难,故仍然是遥感数据处理中少有的课题。那么,如何对极化SAR图像中的场景进行分类也是一项迫切的工作,需要在未来的研究中投入更多的时间。极化SAR图像上有丰富的可用于进行目标分类、检测和识别的有用信息。而这些信息大多数在极化SAR图像处理时只被单一的或简单的结合利用,多视图（Multi-view）特征空间可以更为全面的描述来自不同特征空间的足够信息,需要更好地将多视图特征空间中的信息相融合,才可以更有效地对目标识别分类。虽然利用多视图特征可以获得充分的信息,但如何挖掘多视图特征之间的内在特性和减少多维空间的冗余,也是一个值得思考的问题。本文考虑可以在算法中引入张量表示。如何利用这些张量形式,充分挖掘其在多模态特征空间中的内在特性,对极化SAR场景分类具有重要意义。同时,线性降维对于处理极化SAR图像也具有非常重要的意义,线性降维可以减少信息的冗余,提高极化SAR图像分类精度。基于极化SAR图像的上述特性,本文通过将极化SAR图像多视图特征相结合的方式对极化SAR图像进行分类。主要描述如下:（1）利用了一种基于低秩张量的多视图子空间表示（Low Rank Tensor-based Multi-view Subspace Representation,LRT-MSR）方法,解决了极化SAR场景聚类问题。极化SAR数据可以描述在多模态特征空间,如极化SAR相干/协方差/散射矩阵,或各种极化分解。来自多个空间的不同伪彩色图像提供了足够的视觉信息,可以进行全面的表示。LRT-MSR算法应用低秩张量的子空间聚类方法来探索多视图伪彩色图像的信息。张量,作为高阶矩阵,用于捕获底层多视图数据的相关性。此外,该方法在低秩项的约束下,从不同的角度对交叉信息进行了建模,并从冗余信息中获得了一系列的自表示矩阵。最后,利用谱聚类方法进行最终分类。利用ALOS-2全极化数据建立了覆盖中国上海和日本东京地区的两个新的极化SAR图像数据集,为实验提供支持。在极化SAR图像数据集上的实验结果表明了该方法的有效性。（2）利用了一种基于低秩子空间表示（Low Rank Representation,LRR）的低秩子空间算法改进的降维算法实现了极化SAR图像场景分类任务。极化SAR图像中存在大量的相干斑噪声,破坏了类特殊结构或局部几何结构,从而导致许多现有的线性降维方法,包括流行的基于流形学习的线性降维方法,无法在识别任务中取得良好的性能。因此,在对极化SAR图像线性降维中对噪声的鲁棒性是一个重要的问题。在本文中,我们将最优低秩表示和投影学习整合到一个模型中,以增强低秩的鲁棒性。一种新颖的鲁棒图像特征提取框架被用于极化SAR图像场景分类中,提升了极化SAR图像场景分类效果。（3）受多视图子空间聚类算法的启发,结合投影学习图像特征提取框架,提出了一种低秩约束多视图张量表示降维（Low Rank Constrained Multi-modal Tensor Representation,LR-MTR）方法,可以利用该方法,结合极化SAR数据的多视图特征实现极化SAR图像场景分类。LR-MTR方法以多视图表示的方式集成极化SAR数据。为了同时保留空间和偏振信息,将来自一个场景的不同表示空间（Freeman、H/A/α、Pauli等）的特征组成一个立方体（即三阶张量）。在此基础上,利用低秩范数对来自多模态空间的张量进行约束,来模拟来自多模态空间的交叉信息。通过最小化级联特征数据与相应特征子空间之间的差异,计算出投影矩阵。它还减少了这些多维空间的冗余,解决了大规模数据集的外样本拓展（out-of-sample extension）问题。通过与目前最先进的线性降维算法的比较,该方法获得了最佳的量化性能,并在融合多模态极化SAR特征和图像场景分类方面表现出优越性。