雷达极化遥感和干涉遥感，除了具有传统雷达遥感的全天候、全天时、穿透性等优点外，其更充分挖掘了电磁波与地物相互作用的全部信息，是对地观测能力的巨大飞跃，正成为遥感领域不可或缺的重要内容。在极化干涉SAR遥感应用研究中，森林树高的反演一直是该领域内的热点，对于森林资源管理、森林生物量的估测、以及区域和全球碳循环的研究具有重要意义。　　 本文首先介绍了雷达极化遥感的基本原理和核心内容。经过对麦克斯韦方程进行平面波动方程的一般求解，第二章引入了电磁波极化的概念，阐述了电磁波极化的本质，总结分析了电磁波极化状态的常用数学形式及其相互间的联系与转换：极化椭圆、Stokes参数、Jones矢量、极化比等。基于电磁波极化的Jones矢量表述，推导了极化基变换的数学形式----特殊酉矩阵，分析了极化基变换的物理意义，指出了极化基变换在雷达极化测量中的重要作用和意义。　　 雷达极化遥感的核心是对地物散射电磁波过程的描述或测量。本文第二章详细介绍了地物的两种散射机制：相干散射和非相干散射；阐述了两种散射存在的物理意义和相互关系，并且给出了其数学描述形式：散射矩阵和相干矩阵。基于散射矩阵，又进一步分析了地物散射矢量的概念、两种常用形式及其相互关系，并且着重介绍了散射矢量的参数化及其所代表的散射机制，强调了散射矢量这一形式在雷达极化遥感、极化干涉遥感中具有的重要意义。第二章最后介绍了相干矩阵和协方差矩阵的构成；在此基础之上，深入分析了地物极化分解的本质，详细介绍了基于奇异值分解的地物极化分解理论的主要过程与优点，给出了奇异值极化分解参数(熵，各向异性，阿尔法角)所代表的物理意义。　　 雷达极化干涉遥感则是对电磁波极化信息和干涉信息的综合运用。本文第三章首先简要介绍了雷达干涉测量的基本含义，并以地形的干涉测量为例介绍了干涉测量的基本原理。在此基础上，通过地物散射矢量，介绍了极化干涉的核心内容：矢量干涉的定义、形式、物理意义及其在遥感应用中的潜在能力与优势：并且简要介绍了基于拉格朗日算子的极化空间内的相干优化。　　 基于上述基础理论内容，本文进行了极化干涉SAR的树高反演研究。在第四章首先介绍了植被的相干散射模型(RVoG)，分析了RVoG模型的几何结构及其在树高反演中的重要性。同时又介绍了极化干涉SAR信息处理的另一种方法：ESPRIT算法的基本原理和处理过程，分析了其所获得的极化干涉信息的特点。在RVoG模型和极化干涉信息先验理解的基础之上，着重回顾了几种常见树高反演算法的含义和形式，主要有：DEM差值算法、RVoG地相位反演算法、复相干幅度反演算法、相位与幅度联合反演算法、三阶段反演算法、三阶段Sinc反演算法、以及ESPRIT相位DEM差值算法，并分析总结了各种算法的优点与不足。　　 在此基础上，本文尝试了ESPRIT算法和三阶段反演算法相结合的联合反演方法：通过三阶段算法在复平面单位圆内拟合直线：确定ESPRIT算法估计的植被冠层相位的单位圆半径与拟合直线的交点，将该交点作为估计的植被体散射复相干；然后将拟合直线与单位圆的两个交点作为候选地相位点分别用来进行查找表计算，选择最优解进行树高反演。该算法称之为ESPRIT三阶段反演算法。与此相近的另一种反演方法称之为ESPRIT三阶段Sinc反演算法。　　 本文进行树高反演的影像为德国宇航局(DLR) E-SAR机载系统于2003年获取的L波段全极化干涉SAR数据，其空间基线(水平)为5m，飞行高度为3000m，时间基线为20分钟，分辨率为距离向1.5m、方位向3.0m，入射角范围由近距25°至远距60°；影像所对应的实验区位于德国Traunstein城西南部的Bavaria镇，主要由林地和田地组成。　　 第六章利用POLSARPRO全极化雷达数据处理软件和RAT雷达数据分析软件对本文的全极化干涉SAR数据进行预处理---极化干涉相干处理和ESPRIT算法处理，提取出极化干涉相干信息和ESPRIT算法相位估计信息。基于此信息或数据，利用本文所回顾以及所尝试的各反演算法进行树高估计。最后，本文的第七章利用与雷达影像相对应的地面实测平均树高数据对本文所述反演方法与改进算法进行了验证与分析。　　 通过上述验证与分析，发现三阶段Sinc算法和三阶段算法相对于其它算法而言，具有较高的精度和相关性。直接利用复相干幅度的Sinc算法，尽管其完全忽略掉相位信息，但反演结果与地面实测数据具有较好的相关性。然而这几种算法都存在着系统性的高估现象，其原因尚需进一步研究。ESPRIT三阶段算法和ESPRIT三阶段Sinc算法尽管其在运算效率上有很大的提高，但其反演结果并没有明显改善。利用干涉相位的DEM差值算法和地相位反演算法的结果最差，其相关性和精度都较低。尽管ESPRIT相位差值算法相对于相干优化相位差值算法有所提高，但同样大大低估了实际高度。幅度和相位联合反演的算法，由于受相位差值算法的影响，其反演结果并没有达到预期的精度。