极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)的成像不受气候影响,且图像分辨率高,因此,在灾害监测、资源勘测等方面有着广泛的应用。极化SAR能够测量场景中每个分辨单元在四种极化状态下的散射信息,根据这些散射信息对图像中的地物进行分类是解译极化SAR图像的重要内容。本论文以对极化SAR图像分类为目的,紧紧围绕极化SAR图像的特征提取与分类方法两点展开,具体工作及主要贡献如下:1.介绍了与极化SAR有关的电磁波知识,包括电磁波的表现形式、入射波与回波的关系以及典型的地物散射机理。2.提取了极化SAR图像的高维特征。分析了多种极化目标分解理论:Huynen分解、Freeman分解、Cloude分解、Pauli分解等,单一的分解理论只能得到几个特定的极化信息,因此,论文综合了多个分解的散射机制,得到了极化SAR图像的部分特征。另一部分特征由散射矩阵中各元素的变形构成,包括:总散射功率、振幅、相位、极化比等3.针对提取的高维特征,提出了一种降维算法。分析了LLE降维算法的缺点,提出了FWLLE降维算法。该算法以Freeman分解和Wishart分类器为基础,将数据聚类成多个簇,通过改变LLE算法的距离度量对LLE算法进行了改进。最后分析了运用FWLLE降维算法降维后的数据更加适合用于极化SAR图像分类。4.针对像素级分类的缺点,结合图像中目标的空间信息,基于区域的分类方法具有明显的优势。论文介绍了多数投票方法(SLIC-MV),并提出了两种分类方法:词袋模型方法(SLIC-BoW)、多数投票与Wishart分类器相结合的方法(SLIC-WMV)。这三种方法都是以超像素分割为基础,最终分类单元为超像素斑块。通过实验结果分析,本文提出的两种分类方法能有效克服相干斑的影响,分类准确率比像素级分类方法和SLIC-MV分类方法高,特别是SLIC-WMV分类方法,具有最好的分类结果。