近年来,极化SAR地物分类应用十分广泛,除了在军事领域对军事目标的监测与识别,在民用领域中对农作物普查、环境监测、耕地以及城市用地占用、海洋溢油、船只监测也有重要的价值。本文通过对大连市Radarsat-2数据以及纽芬兰海岸SIR-C数据进行分析处理,提出了一种寻找最优分类特征子集,面向对象分析的研究思路,它包括极化分解、特征分析、面向对象分析、马氏距离和SVM分类算法。本文首先对全极化SAR数据做了简要分析,阐述了其从卫星微波信号到计算机图像的转化。然后,对SAR遥感图像的各种特征分门别类,主要划分为三大类,为：直接基于极化SAR原始数据的特征、基于目标分解获取的特征,以及图像的视觉特征。针对每一类特征都介绍了提取算法并给出了使用理由。再次,对三类特征进行子集划分,共组合了9个特征子集进行比较从而获得最优子集,并对其进行去冗余化。最后提出了在最优特征子集基础上进行面向对象分析的思想获得了理想的分类精度。实验证明,进行特征分析后,对某一种类型的地物存在最优的分类特征子集使得分类的精度以及地物的识别效果比较好,而且具有共性。最后在最优特征子集的基础上进行了面向对象分析,规避了传统分类的一些缺点,可以有效地抑制噪声,提高分类精度,减少各类地物之间的分类混淆。针对现有的图像分割算法速度慢,对复杂类型的地物分割效果不理想的情况,本文提出了一种先聚类初始分割,后Lambda合并的分类方法,并取得了理想的结果。鉴于实验的数据还不够充足,许多结论为初步得到,进一步的验证还需要更多的数据和实验