极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)采用不同极化工作方式,通过交替发射与接收雷达信号,能够得到一个与目标相关的2×2复矩阵,这个矩阵反应了目标的幅度信息、相位信息和散射信息等。因而,极化SAR成为一种重要的对地和对空观测手段。目前为止,极化SAR系统在目标识别领域和图像解译方面有着非常广泛的应用,包括城市规划、资源勘探、灾情监测、目标检测、植被生长、军事目标精准打击等。在遥感图像解译和信息处理领域,地物分类已经成为世界各国学者研究的一大热门课题,但我国还处于遥感图像解译的初级阶段。本文从地物目标的特征提取和地物目标分类这两个重要方面开展工作,所做的主要内容如下:(1)对极化SAR系统的应用及其价值进行分析和研究。详细介绍了极化SAR图像分类的理论基础、发展史;同时指出了极化SAR图像分类将会面临的严峻考验。(2)提出了一种基于极化目标分解和支持向量机(Support Vector Machine,SVM)的极化SAR图像地物分类方法。针对传统分类方法只能使用单一特征进行分类的缺点,采用Cloude分解得到三种散射特征、Freeman分解得到四种特征,选择好训样样本和测试样本之后,进行对SVM的训练。当训练完成之后对整幅图进行预测与分类。实验仿真结果表明,该方法简单高效,具有较高的分类精度,使用组合特征比单一特征的准确率要高出6.5%左右。(3)提出了一种基于极化目标分解和极限学习机(Extreme Machine Learning,ELM)的极化SAR图像地物分类方法,本方法主要针对传统机器学习训练时间长、网络设置参数复杂的缺点。学习速度快、训练时间少,同时还能拥有不错的准确率是ELM的最大特点。通过仿真实验,表明ELM学习算法确实比SVM的学习速度快很多,而且ELM的准确率只比SVM稍微低一点点。