新体制SAR系统及其应用已经成为全球对地观测中的重点研究方向。在其中占有重要地位的多基线、多极化InSAR技术能够拓展观测维度,提高InSAR系统综合观测效能。干涉相位误差或者说系统的相干性是影响InSAR系统观测精度的重要因素。研究新体制InSAR系统中干涉相位的复杂统计特性,讨论包含时间、空间、极化的多基线多极化InSAR系统高度反演的误差分析模型,对于提高InSAR系统测高精度,满足新体制星载InSAR系统的定量化反演需求十分必要。本文将从多基线InSAR和多极化InSAR两个角度出发,对新体制多模式InSAR系统的干涉相位统计及高度反演误差分析进行研究。具体包含以下三个研究内容:第一,针对多基线InSAR系统,研究了干涉相位误差的联合概率分布与协方差矩阵的估计问题,并对多基线参数进行优化。首先,基于InSAR测高和多基线InSAR测高的理论基础,对多个干涉相位的联合概率密度函数进行讨论;然后,在统计不独立假设下,考虑多基线InSAR系统协方差矩阵的估计问题,并对提及的两种估计方法进行理论推导和仿真对比分析;最后,根据估计的干涉相位协方差矩阵,推导出测高标准差的理论估计表达,并基于此对多基线系统的长短基线参数配置进行优化与设计。第二,针对多极化InSAR系统,研究了相干散射模型中去相干源的建模问题,并对森林高度反演误差进行基于模型的灵敏度分析。首先,对多极化InSAR系统中的矢量相干值及去相干源进行分析;然后,通过相干散射模型建立了系统参数和待估参数之间的联系来进行参数反演。主要研究包含时间、空间去相干的RMoG模型,并进行了高度反演的实例仿真;最后,研究森林高度反演误差对系统去相干及垂直波数的敏感性,基于其误差传递链路对高度反演误差进行理论建模和仿真实验分析。第三,综合讨论多基线和多极化InSAR的影响因素,搭建深度全连接神经网络,研究基于数据驱动的森林高度反演误差分析方法。首先,对深度网络的基本理论进行概括总结;其次,基于误差分析模型的具体情况,设计合适的深度全连接神经网络对模型进行回归;最后,对初始化神经网络进行训练及参数调优,得到包含时间、空间、极化因素影响的森林高度反演误差预测网络。优化后的神经网络对高度反演误差具有较好的逼近效果。