SAR图像分类一直是近几年来人们关注和研究的重点内容，希望通过对图像部分内容的学习实现较大尺寸的全图分类。但是由于 SAR图像中存在相干斑噪声的影响，使得传统的图像分类方法无法直接应用到其分类中去。后来通过稀疏表示的学习内容，实现了将数据稀疏化以减少计算量。但过去人们一直将重点放在其中综合稀疏模型的研究上，大量文献利用综合稀疏模型学习字典，得到原信号的稀疏表示进而实现图像分类。而忽视了另一种稀疏表示模型：解析稀疏模型。最近几年，人们逐渐关注到这一模型的优点，并尝试将其应用到图像去噪和复原等领域。　　本文主要研究了以下内容：　　1、将应用在图像去噪中的共稀疏算子学习方法进行适当的修改，使其能应用在图像分类方面。以像素点为中心选取合适大小的像素块作为初始特征，在共稀疏模型的基础上求得共稀疏解析算子，用增广拉格朗日方法求解共稀疏系数，将得到的共稀疏系数作为分类样本的特征，输入到SVM分类器进行分类。　　2、考虑到共稀疏特征不足够分出图像的细节信息，决定将纹理特征和共稀疏特征相结合。利用稀疏自编码器提取共稀疏系数的输出特征，并将灰度值特征和此特征相结合一起作为样本的分类特征，用SVM分类器分类。　　最后文章通过对模拟SAR图像和几幅真实SAR图像进行分类实验，并且与简单的阈值方法求共稀疏系数的方法进行实验对比，通过结果可以发现本论文提出的方法可以实现少量已知标签的样本数据学习训练后完成所有样本数据的分类过程，完成对高分辨SAR图像的分类。