合成孔径雷达(Synthetic Aperture Radar,SAR)凭借其全天时、全天候的特性,现成为获取地表信息的重要遥感技术手段之一。相比于单极化SAR,全极化SAR(Polarimetric SAR,PolSAR)能够提供更多细节和地物散射信息,如何快速而准确地解译这些信息,已成为SAR技术研究的重点内容。而建筑物提取作为极化SAR影像解译中的研究热点之一,受到了越来越多学者的关注。极化SAR影像中蕴含了丰富的极化散射特征和纹理特征,如何从这些特征中选取出最有效、最本质的特征组合,是实现特征空间优化和提高分类器性能的关键。本文基于高分三号(GF-3)全极化SAR影像,分析并提取适用于GF-3影像建筑物提取的极化特征和纹理特征,采用一种特征优选算法,优化特征空间,利用选取的最优特征子集实现建筑物提取。主要工作和成果如下:(1)分析典型建筑物在极化SAR影像中的表现形式,提取了对建筑物敏感的极化散射特征和纹理特征。特征集主要包括:目标分解参数、极化相关系数、极化相干矩阵和协方差矩阵相关参数以及灰度共生矩阵算法提取的统计纹理参数,共计74维特征。并分析了不同类型特征对建筑物提取的贡献度,实验结果表明纹理特征贡献度最高,目标分解及极化矩阵参数次之,极化相关系数最低。(2)采用遗传算法(Genetic Algorithm,GA)和支持向量机(Support Vector Machine,SVM)耦合的特征优选算法,利用SVM分类器获取的测试样本精度和特征维度来构建遗传算法中的适应度函数,经过多次迭代寻优后,将原始74维特征缩减到16维。采用SVM算法对特征选择前后的建筑物提取结果进行评价,实验结果表明特征优选后建筑物提取的总体精度和Kappa系数均有所提高,证明了本文提出的特征优选方法的重要性和有效性。(3)研究对比了不同特征集利用本文特征优选算法的建筑物提取结果,实验结果表明在传统的极化散射特征基础上加入纹理特征,建筑物提取精度有所提升,证明了本文提取的特征集在GA和SVM特征优选算法中具有优势。