合成孔径雷达(SAR)系统通过发射和接收电磁波对地进行探测,越来越多的SAR系统获得了大量的地物散射数据,而散射机理的认识能够揭示掩藏在散射数据之下的目标本质。城市中的人造建筑物具有不同方位角、不同分布特性、不同材质、不同下垫面类型,如水泥地面、沥青地面等,城市这种多组态电大尺寸目标由于其复杂的结构和散射机理,对这类目标的散射机理认识不满足当前对民用和军事应用的需求。立足以此,本文从城市多组态电大目标的散射机理以及分类识别应用两个方面展开研究。论文的主要内容可以总结为如下四个方面:第一是提出城市建筑物散射模型。Franceschetti模型将单栋建筑物等效为平行六面体和随机粗糙地面的复合散射,利用几何光学(GO)和物理光学(PO)相结合的方法,推导了建筑物散射的解析解。当随机粗糙地面起伏较小,不满足GO或PO条件时,本文推导了 GO联合微扰法(SPA)的建筑物散射解析模型,数值模拟了建筑物散射随方位角、入射角以及地面起伏特性的变化趋势。进一步将单栋建筑散射延伸到两栋建筑物的情况,分析了两栋建筑物之间偶次散射的等效高度和建筑物的几何模型、雷达入射角之间的关系,给出了两栋建筑物之间偶次散射的解析表达式。由于多栋建筑物之间的散射难以获得解析表达式,本文结合射线追踪的方法对建筑物散射进行模拟。第二是提出城市目标的极化分解模型。Freeman的三分量分解模型将散射分解为面散射、二次散射和体散射,然而三分量模型分解会过估计体散射分量。Yamaguchi的四分量分解法在三分量的基础上增加了螺旋体散射分量,并利用判断条件选择不同的体散射模型,有效降低了体散射过估计问题。进一步结合极化方位角补偿方法使得交叉极化最小,从而更加减少了体散射分量。虽然四分量分解法凸显了小方位建筑区区域的二次散射,但是在大方位建筑物区域依然失效。Freeman的三分量分解和Yamaguchi的四分量分解都会产生负功率问题。本文立足于以上两个问题,提出了自适应方位建筑物散射的模型分解方法,研究了建筑物方位角和散射的极化方位角之间的关系,然后建立了自适应方位建筑物的散射模型,结合四分量分解的散射模型对目标散射进行分解,求解过程中使用了部分最优化方法,使得分解结果不会出现负功率,实测极化SAR数据验证了在大方位角建筑物区域所提方法能较准确反映建筑物的散射特点。第三是研究了基于散射特征的城市目标分类。从三个角度展开这一部分研究:(1)目标统计特性和散射特征相结合的分类方法。首先利用自适应方位建筑物模型分解结果对数据进行初分类,假设极化SAR数据满足Wishart分布前提下,利用迭代聚类的方法对城市目标进行分类,虽然是无监督分类,但是散射机理和地物类型是相互对应的,从而可以达到地物类型标注的目的。(2)基于散射特征优选的分类方法。不同极化分解的特征对地物目标有不同的敏感性,利用随机森林(RF)提取每个特征的重要性参数并对其排名,然后利用序列前向选择算法选择最优的特征空间用于城市目标分类识别。实测数据证明,和利用所有特征进行分类识别相比,所提出的特征优选方法能在更少的特征下获得更好的性能。(3)基于极化旋转的城市目标分类方法。本文通过极化旋转的方法模拟目标在不同方位角的散射机理,在每个旋转角下提取目标的散射特征,进而获得每个特征的统计特性用于城市目标分类。实测数据证明了所提方法可以有效提高方位建筑物的识别准确率。第四部分研究了基于深度学习模型的城市目标分类。以卷积神经网络(CNN)为代表的深度学习模型在极化SAR分类中取得了较高的识别率,本文将目标散射特性与深度学习理论相结合,以提高城市目标在小训练样本下的分类识别精度。(1)基于模型分解理论在城市目标识别中的相干性,将模型分解结果与CNN结合,提出极化散射特征驱动的CNN模型,可以在更少的训练样本下获得较好的识别性能。(2)利用两组极化旋转矩阵对散射矩阵进行变换,获得两组以极化旋转角为自变量的序列数据,这两组序列数据都是对目标散射特性的表征,利用三维卷积提取目标的空间信息,利用长短期记忆网络(LSTM)提取目标的序列信息,最后集成两组序列提取到的特征用于城市目标分类识别。所提方法具有收敛速度快、分类精度高、训练样本少的特点。