随着对极化SAR (Synthetic Aperture Radar)图像分类研究的深入,近年来许多监督和非监督分类方法被相继提出。早期的极化SAR图像分类算法是基于其统计特性的。之后,物理散射机制的固有特性也作为一个额外的优势用于提供类别判定信息。然而,后者的缺陷在于,地物与散射机理并非一一对应的关系,在一定程度上会导致地物分类模糊。多篇文献已经提出,综合利用图像纹理特征和极化信息,可能提高分类精度。基于以上背景,本文从分析、融合极化特征与纹理特征入手,以开发新的有效算法为主要工作目标,对基于像素的分类方法进行研究。主要工作及成果概括如下：分析了纹理、极化等多种特征提取方法。从得到的特征量集合中,依据一定的选择方法选择出多个特征进行了串行融合,并作为本文分类算法的输入。实验证明,使用融合后的特征进行分类,结果优于使用单特征或少量特征的组合分类。提出了MSCM(Multi-band Supervised Classification Model Based on the statisti-cal characteristics)分类方法。该方法首先使用多个特征构造多波段数据,然后使用欧氏距离将不同类别的地物集群在不同的特征空间区域。实验证明,该方法可以有效的对本文极化SAR数据进行分类,且具有计算效率高的特点。基于多特征模糊模式识别研究分析,实现了基于模糊理论的极化SAR图像分类算法。该算法使用融合后的多维特征矢量作为输入,依据降岭型分布确定目标单个特征的隶属度,最后以最大隶属度原则判定目标所属类别。实验表明,对于文中数据,该算法相比目前常用的H/A/alpha-Wishart极化SAR图像分类算法,可以显著的提高分类精度。实现了一种基于SOM神经网络的极化SAR图像分类方法。该方法使用融合后的特征矢量作为输入,对不同的输入模式做出不同的响应。实验证明,该方法分类精度较高,但计算效率低。