极化合成孔径雷达（PolSAR）系统经过快速的发展,能够获取越来越高的图象分辨率,成为遥感领域一个热门的研究领域。随着分辨率的提高,PolSAR图象能够描述更为细致的地物信息,但同时也增加了图象中象素处理的复杂度以及图象数据量。传统的图象处理方法以象素为基本处理单元,仅能提取和利用象素级的图象特征以及象素邻域范围内的空间信息,不再适用于高分辨率遥感图象的解译。因此,论文以面向对象的图象处理技术为核心,围绕PolSAR图象的对象构建技术、基于对象不同特征的图象分类方法以及建筑物目标检测识别方法等内容进行研究。主要研究内容包括:首先,针对PolSAR图象中包含多种地物类型,难以选择合适的图象分割尺度,从而影响对象构建以及后续面向对象图象解译精度的问题,论文提出了基于带宽自适应均值漂移（Mean Shift）算法的PolSAR图象对象构建方法。文中根据高分辨率PolSAR图象的极化散射模型,计算了图象中地物的主导散射机制,并通过引入半方差数理统计算子,对图象主导散射机制的空间变化特性进行分析,自适应地选择空间核函数中的空间尺度参数,得到具有较高类内同质度和类间异质度的图象对象,实现高精度的PolSAR图象对象构建。实验结果表明,文中提出的基于图象极化和统计特性联合的空间尺度选择方法,无需人工参与,能够自适应地选择最优的图象分析尺度,有效地提高PolSAR图象对象构建的精度,为后续面向对象的图象解译奠定基础。其次,随着分辨率的提高,图象的信息复杂度增加,针对传统的统计分布模型主要应用于中低分辨率图象,不再适用于高分辨率PolSAR图象的问题,论文建立了基于极化辅助随机场的面向对象马尔可夫模型,实现面向对象的PolSAR图象的非监督分类。本文在PolSAR图象对象构建的基础上,将面向对象的思想与马尔可夫随机场模型相结合,通过建立多尺度对象邻接图,表征对象间的空间语义联系,并引入极化辅助随机场,描述对象在不同尺度下的极化信息,研究建立了基于极化辅助随机场的面向对象马尔可夫随机场模型,实现了基于对象统计特性的高分辨率PolSAR图象分类。实验结果表明,文中建立的PA-OMRF模型能够有效描述高分辨率PolSAR图象的统计特性,充分利用图象对象间的空间语义信息,提高PolSAR图象非监督分类的性能。同时,图象对象由于与地面上的实际地物形态更为接近,还具有丰富的极化、空间、语义以及拓扑等特征,针对目前缺少有效的对象特征提取方法以及难以综合利用对象不同特征的问题,论文提出了基于空间和语义信息联合的面向对象的高分辨率PolSAR图象监督分类方法。本文在图象对象构建的基础上,建立对象间的层次网络结构,分析和提取对象间的语义拓扑信息,建立对象的极化空间-语义模型,综合利用对象的多维特征,实现PolSAR图象面向对象的监督分类。实验结果表明,对象多维特征的提取和综合利用是提高面向对象图象处理精度的关键,文中提出的基于对象多维特征的图象分类方法能够综合利用图象中地物的丰富特征,有效提高高分辨率PolSAR图象监督分类的精度。最后,由于PolSAR图象的特殊成象机理以及建筑物目标复杂的空间结构,建筑物目标常常呈现与森林等地物类型相似的散射特性,从而难以准确地提取建筑物目标,针对这一问题,论文提出了基于对象认知模型的PolSAR图象建筑物目标认知方法。文中在图象对象构建的基础上,结合对象极化、空间以及语义等多维特征,引入人类图象解译的知识经验机制,通过模拟人类图象认知的过程,研究建立了“对象感知-逻辑推理-认知决策”的对象认知模型,实现了高分辨率PolSAR图象的建筑物目标检测识别。实验结果表明,文中研究的基于对象认知模型的目标解译方法,能够有效区分建筑物目标与其他目标类型,从复杂的背景环境中提取出建筑物目标,有效提高了PolSAR图象中建筑物目标的检测识别性能,并降低了目标认知的虚警率。