合成孔径雷达(SAR)是一种主动式微波遥感器,能够对各种目标以很高的分辨率成像,而且几乎不受任何天气的影响,因此在国民经济和军事领域中都有着广泛的应用。近年来,随着SAR技术的飞速发展,对SAR图像的分析处理变得越来越重要,但由于SAR成像复杂、数据量大以及相干斑噪声的干扰,SAR图像处理比常规图像处理更加困难。支持向量机是近些年发展起来的一种新的机器学习方法。它以统计学习理论为基础,能够较好地解决小样本的学习问题。由于其出色的学习和推广性能,支持向量机已经被应用到许多方面。本文在学习支持向量机基础理论与算法的基础上,研究了模糊支持向量机分类与支持向量机回归在SAR图像去噪及分割中的应用。本文在总结现有图像去噪方法的基础上,针对SAR图像中相干斑噪声的特点,利用支持向量回归技术构建图像去噪所需的滤波器,并对含噪图像进行特征的提取和训练样本的设计,最后用训练好的滤波器对图像进行去噪。实验结果表明,该方法能有效滤除图像中的噪声并有效保护图像边缘信息。在图像分割方面,首先对一些当前常用的、经典的图像分割方法进行了总结。在此基础上,为了提高支持向量机对噪声图像的分割性能,采用了一种基于S形函数的模糊支持向量机方法对图像进行分割。利用局部统计特征和灰度共生矩阵特征相结合的方法构造训练集和测试集,用训练后的分类器对图像进行分割。最后为验证本文算法的有效性,我们对比了几种分割方法处理同一幅SAR图像的效果,经过比较发现,本文所给出的方法无论从分割的准确性还是抗噪性方面都优于很多现有的分割方法。