极化SAR影像分类自提出以来,一直受到国内外专家的广泛关注。相对于光学遥感影像,极化SAR影像不仅能提供更丰富的后向散射信息,还能以极化相位、幅度等信息对地物分类进行补充。但雷达由于其特定的成像机制,造成透视收缩、叠掩及山体阴影等,使极化SAR影像分类难度大、精度低,阻碍了极化SAR在分类方面的广泛应用。本文致力于提高极化SAR影像分类的精度以及缩短处理时间。超像素的提出对地物分类研究具有很大进步意义。超像素能根据聚类中心,采用SAR数据距离度量,对图像进行分割计算,可以缩短图像分类的运行时间。本文系统地研究了极化SAR影像传统的分类方法以及智能分类算法,传统分类方法包括H/α平面分类法以及Wishart监督分类法,智能分类方法主要研究了支持向量机在极化SAR图像分类中的应用。采用智能分类算法结合极化分解,深入研究极化特征组合以及超像素分割对极化SAR影像分类的有效性。具体工作内容如下:1)对合成孔径雷达的基础理论进行了系统研究,如电磁波的矢量表征、相干斑的特性及滤波方法等。对极化分解理论进行学习、分析,总结了诸如Krogager分解、Freeman-Durden分解等相干分解与非相干分解的经典分解方法;2)研究分析了已提出的几种超像素分割方法,并针对现有的分割方法仅适用于光学影像以及计算速度慢、分割边界模糊等问题,对超像素分割算法SLIC进行改进。以GGS双窗边缘检测代替梯度检测算法初始化聚类中心,并选取SIRV模型的SIRV距离作为距离度量,提出改进的超像素分割算法。对San Francisco地区的Air SAR数据进行超像素分割实验,对比分析了SLIC算法、N-Cut算法和本文提出的改进算法;3)采用极化分解、纹理分析等方法对ALOS PALSAR全极化图像进行极化特征提取,并结合智能分类方法中最受欢迎的SVM算法,提出极化SAR特征组合-支持向量机分类方法。以四川省彭州市某工厂区域为地物分类研究区,采用本文提出的改进的超像素分割算法对覆盖该区域的ALOS PALSAR全极化数据进行处理,生成超像素分割图。选取与未进行超像素分割的图像分类相同的极化特征组合和训练样本,进行SVM地物分类,得到分类结果图再与基于像素的极化特征组合-支持向量机分类方法进行对比分析,证明了采用超像素进行地物分类的效果比采用像素的分类效果好;