合成孔径雷达(Synthetic Aperture Radar,SAR)凭借全天候、全天时的观测能力，成为民用和军事领域不可或缺的数据源。随着城市化发展进程的不断推进，高分辨率SAR影像为城市功能规划和动态监测提供了便利。然而，高分辨率SAR影像的解译技术，一直以来是研究的热点和难点，独特的成像方式给影像的理解和分析带来了巨大的挑战。其中，建筑物检测是遥感图像解译的经典研究课题，在国土资源管理、城市变化监测、自然灾害评估等领域发挥着重要作用。因此，针对高分辨率SAR影像复杂背景下的城市建筑物目标提取，面临着迫切的应用需求。　　考虑SAR影像成像方式和数据表达形式等制约因素，本文依据形态学层级特征表达理论，将形态学属性断面算法运用到高分辨率SAR影像空间域特征提取中，研究了基于形态学层级特征的城市建筑物目标提取技术。主要研究内容包括以下几个方面:　　1)SAR影像固有相干斑噪声的存在，对解译工作造成较大的干扰。针对现有SAR影像经典自适应滤波算法牺牲影像目标几何结构信息来实现平滑降噪的问题，建立了改进的形态学交替滤波算法，并结合实验对比和相关评价因子给出了验证。　　2)实现了高分辨率SAR影像的特征提取工作。基于形态学属性断面算法，充分挖掘了影像中不同尺度不同属性的形态学层级特征，得到了具有多尺度特征的空间域上下文信息。然后，结合影像预处理工作获取的后向散射特征，奠定了本文建筑物目标提取的基础。　　3)通过对多尺度形态学层级特征进行差分断面重构，实现了一种对高分辨率SAR影像建筑物目标提取的无监督阈值分割方法。通过对实验区SAR影像复杂场景中不同走向、尺寸和形状的高密度建筑物目标提取，分析并验证了该算法的适用性。　　4)基于监督式学习理论提出了一种组合核函数正则化最小二乘分类算法。选择空间域多尺度形态学层级特征和图像域后向散射信息作为分类特征向量，通过对样本标签训练学习，实现了SAR影像目标二类分类问题的标签预测。借助对比监督分类领域中常见的SVM、RLS、KNN算法，分析并说明本文方法的精度和效率优势。　　依赖于形态学层级分析的多尺度特性，本文方法在对不同走向、尺寸和形状的高密度建筑物目标提取实验中具有较好的适应性，改善了原始尺度下很难精确检测的问题;同时，直接从建筑物目标连通结构入手，避免了现有基于结构分析的方法只考虑直线和L形结构建筑物的问题;而且，未利用阴影背景作为建筑物存在的判定依据，因此克服了阴影可能受制于背景较暗或建筑物密集等因素而不可靠的问题。综合实验对比验证结果，本文所提出的形态学层级特征下的建筑物目标提取算法，具有精度好、误差小、效率高的特点。