合成孔径雷达（SAR）因为独特的成像方式使得其具有全天时、全天候等特点。随着近年来SAR传感器的不断发展，高分辨率SAR图像处理逐渐成为了SAR领域的研究热点。图像的分割和分类一直以来都是图像解译的关键步骤，而SAR图像因其固有的相干斑噪声以及高分辨率下的同谱异质现象使得SAR图像自动解译非常困难。基于相似度限制区域合并的SAR图像分割算法为高分辨率下的SAR图像分析提供了新思路。基于区域的方法可以有效减少SAR图像固有的相干斑噪声对分割的影响，通过对相似度进行限制可以有效地实现SAR图像的多层次分割，以满足不同尺度的分割需求。基于区域的分割结果进行分类，可以有效地减少相干斑噪声的影响，将分割后的区域作为基本的分类单元，可以引入区域的纹理、结构以及尺寸形状等信息进行分析，有效的提高SAR图像的分类精度。　　本文对遥感图像中的分割方法进行总结和研究，结合SAR图像的特点，提出并设计了一种鲁棒性高的适用于不同SAR图像的分割算法，并且将其引入到全极化SAR图像分割当中，最后基于单极化和全极化的分割结果进行SAR图像分类。本文的主要工作如下:　　（一）论文回顾和总结了SAR图像的分割方法和分类方法，指出了基于区域合并分割算法的优势，以及其在SAR图像分类中应用的可行性。　　（二）改进了基于区域合并的分割算法。首先利用形态学分水岭算法获得边缘保持良好的过分割区域，在过分割区域的基础上进行相邻区域相似性度量，度量的方法在传统灰度均值的基础上引入了统计模型度量的方法。然后引入了最邻近图对SAR过分割区域进行表示，通过边界像素进行各个区域邻域的计算并存储。区域合并采用的是全局最优的合并方式，以保证获得的最终结果是全局最佳的。在合并过程中每一次的区域合并都要将邻接表进行一次更新。每次只对一个区域合并，无需对所有区域的邻域通过边界像素进行更新，从而加快区域合并速度。对相似度进行限制可实现SAR图像的多尺度分割。将相似度限制合并完成的分割结果进行后处理，采用全局最优的合并方式将尺寸小于某一限定区域的小区域进行合并，得到最终的分割结果。最后将分割结果进行分析，并与常用的SAR图像分割方法进行比较，验证算法的有效性。　　（三）在区域合并的分割方法基础上，实现基于SVM分类器的单极化和全极化的SAR图像分类。有别于传统的基于像素的SAR图像分类方法，基于区域的分类算法可以有效降低相干斑噪声的影响。利用SVM分类方法结合单极化和全极化的分类特征进行分类，在全极化SAR图像分类中引入了多特征组合的方法来提高分类精度。最后将分类结果与基于像素的SAR图像分类结果进行比较，可以发现基于区域合并分割结果的SAR图像分类比传统的基于像素的分类结果具有更高的分类精度。