图像特征提取是图像分析与理解的基本问题之一。近年来，随着合成孔径雷达成像技术的不断发展，合成孔径雷达图像（SAR图像）的图像质量也在不断提高，以往用于低分辨率SAR图像的纹理特征分析算法已无法适用于高分辨率SAR图像。同时由于合成孔径雷达成像机理，SAR图像具有乘性斑点噪声影响图像的特征提取性能，也使得适用于光学图像的特征提取算法在SAR图像上无法获得很好的应用。本文针对高分辨率SAR图像，研究适用于其特点的特征提取算法，旨在提高高分辨率SAR图像的特征提取算法的准确性和鲁棒性。　　首先，研究了三种纹理特征分析算法:Gabor滤波器算法、灰度共生矩阵、马尔科夫随机场算法，分别研究算法的原理和特征向量，利用算法对纹理图像进行纹理分割仿真实验，研究各个算法的纹理特征分析性能。在此基础上，使用高分辨率SAR图像进行仿真，与纹理图像进行对比，证明纹理特征算法无法满足高分辨率SAR图像的特征分析要求。　　其次，研究了SAR图像的比边缘检测算法和韦伯局部描述子算法。分别用于SAR图像的边缘检测和特征分析，比边缘检测算法对图像的乘性斑点噪声有很好的抑制作用。韦伯局部描述子分别计算差动激励（differential excitation）和方向值(orientation)，在目标图像中提取局部重要特征获得差动激励，并计算目标像素的坡度方向，将所有像素计算得到的差动激励和方向值统计为直方图，该算法用于减少SAR图像中光照差的影响。　　最后，重点研究高分辨率SAR图像的特征提取算法词包模型算法。该算法近年来广泛用于高分辨率SAR图像的特征提取，首先对图像进行预处理，然后提取图像特征点，对特征点进行特征向量的计算，在获得所有特征点的特征向量后，对其进行聚类分类获得词包模型直方图，该直方图即为图像的特征提取描述子。　　本文的创新点主要为词包模型的改进:根据以上几个步骤，为了提高词包模型的准确性和鲁棒性，重点研究特征向量的提取算法，本文将特征向量中加入了第三章第四章介绍的比边缘检测与韦伯局部描述子算法。通过图像目标分类实验证明了改进后词包模型算法的良好性能，为高分辨率SAR图像的特征提取和特征分析提供一个有效的选择。