近年来海洋环境受到了来自海上运输船只漏油和海上石油钻井平台泄漏的严重威胁,世界各国纷纷加强了海洋环境监控,建立了全天时的海面溢油检测识别系统。随着卫星遥感技术的进步,SAR(Synthetic Aperture Radar)技术由于其全天时、全天候的特征,已被证明是一种有效的海洋环境监控手段,SAR卫星遥感图像结合各种图像处理技术,可以比较准确地检测识别出海面上大面积的非自然产生的油膜,为及时发现、快速处理漏油事故提供了有力的支持。本文针对基于SAR的溢油检测关键问题,如对图像预处理、溢油疑似区域提取、目标识别、虚警剔除等进行了深入的研究。本文的主要研究成果如下:在图像分割部分,本文提出一种基于分水岭同质区划分的改进CV(Chan-Vese)模型的SAR图像分割方法,在包含陆地、海面及海面溢油区域的SAR大视场图像中提取候选溢油区域。首先对图像进行预处理,使用Gamma MAP(maximum a posteriori)自适应滤波对SAR图像的斑点噪声进行抑制;其次利用分水岭算法进行标号得到大致的同质区,通过填充处理,使图像仅包含海面和溢油区;最后使用基于CV模型的分割方法得到候选溢油区域。针对SAR图像在成像时灰度信息不均匀可导致CV算法失败的现象,引入基于平滑灰度的信息,提出了改进的CV算法,使CV分割算法对噪声的影响有所降低。针对SAR图像溢油检测的大视场、复杂性高的问题,本文提出以视觉词袋模型为目标检测关键技术的复杂场景SAR图像溢油检测方法。首先从SAR图像中提取出兴趣区域,提取图像的低层特征,然后利用K-means聚类方法将低层特征构建为视觉词典。其次选择标记的溢油SAR图像和非溢油SAR图像作为图像的训练样本,提取样本图像兴趣区域的低层特征,并在已经建立的视觉词典中找到与之匹配的视觉单词,统计两种样本的视觉单词频率直方图。最后设计一种合适的分类器,实现对SAR图像中提取的兴趣区域进行溢油区域识别。通过对视觉词袋在SAR图像理解中的应用分析和研究,为后续对SAR图像的高级语义理解的深入研究工作奠定良好的基础。最后,本文提出了基于上下文思想构建马尔科夫随机场(Markov random field,MRF)的溢油检测方法,充分利用图像中的上下文信息实现对图像中目标的识别和分割,结合上下文关系和目标自身特征与噪声的差异性形成了一种虚警剔除的方法。通过运用马尔科夫概率统计模型来描述各个局部像素点或像素块的邻域系统之间的上下文的概率关系,基于马尔科夫随机场和吉布斯(Gibbs)分布的等效原理建立SAR图像的溢油数据统计模型,根据局部概率和全局概率按照条件迭代的算法求得最大后验概率的最佳解的分割。重点讨论和论证了初始标号场对于马尔科夫随机场上下文模型的影响和改进,通过视觉凸显图建立初始标号场,通过视觉金字塔建立SAR图像的多尺度的大视场分析;并对吉布斯分布中的切分函数的能量函数的势函数参数进行了详尽的讨论与实验分析论证。实验验证本方法不但可以准确地进行分割和检测,加强了对噪声和虚警的抑制作用,而且使高分辨率小尺度的SAR图像的纹理细节信息得到了很好的保存。