合成孔径雷达(Synthethic Aperture Radar)是微波遥感的代表之一。20世纪60年代，随着SAR技术的公开，其在对地观测中的作用开始逐渐显露。进入21世纪，SAR技术继续保持蓬勃发展的态势，大量全新的SAR数据，带来了SAR信息提取和应用的新挑战。
　　面对日益增长的SAR图像资源，SAR数据解译技术的发展仍然相对滞后。这使得SAR图像的实际利用被大大制约。SAR图像分割技术是SAR图像解译技术的一个重要的基础性研究方向。在此背景下本论文将针对SAR图像分割技术展开创新性的研究。具体研究了基于水平集的活动轮廓线模型和基于图切分的马尔可夫随机场模型的SAR图像分割。同时对SAR图像的语义信息提取做了初步的研究并且尝试使用SAR图像分割和分类算法提取SAR图像中的语义。
　　本文的主要研究成果及创新有如下几点:
　　(1)在使用活动轮廓线模型和水平集方法来做SAR图像目标分割工作中，论文首先讨论经典的基于活动轮廓线模型和水平集方法在SAR图像分割中的工作。然后针对既有方法的不足，提出了一个新的基于水平集的能量泛函。论文提出该能量泛函的目的是为了得到一个全局稳定的最小值。由于该泛函可以通过欧拉-拉格朗日方程达到全局稳定的最小值。这样无论初始化轮廓线位置如何，最后都会收敛到同一个结果。同时，可以比较容易的对基于水平集的曲线演化设置一个截止条件。
　　(2)在使用基于马尔可夫随机场模型和图切分技术实现SAR图像场景分割的工作中，论文首先对现有的基于马尔可夫随机场的像素级SAR图像分割方法和目前比较主流的能量优化算法做了分析。接着对使用Graph Cut技术的基于马尔可夫随机场的SAR图像分割方法做了深入研究。
　　传统马尔可夫随机场对应的能量函数主要包括数据似然项和平滑先验项这两项。在实际的SAR图像分割中往往还不足以克服Speckle噪声的影响。本研究巾，引入了几何位置先验项，并且重新设计了新的图结构来表达新的能量函数。新的图结构不但能表达新的能量函数，而且由于其多层的特性，可以针对不同的地而目标设计不同的平滑先验项权重参数。实验结果表明，论文提出的算法能更好的对SAR图像进行分割。
　　(3)目前，如何从海量的SAR图像数据中发掘出有用的信息成为SAR图像利用的一个亟待解决的问题。如果能够将SAR图像数据中语义信息提交给检索系统，检索系统就可以更直接的从海量SAR数据中获取需要的信息。而好的分割算法对SAR图像后续的语义信息获取是十分重要的。如果能获得比较好的分割结果，可以大大简化语义信息提取。
　　在本博士论文中，我们对SAR图像的语义信息提取做了初步的研究，并且设计了一个基本的SAR图像语义信息提取技术框架。同时将基于水平集和活动轮廓线模型的方法和基于图切分和马尔可夫随机场的方法应用到SAR图像语义信息的提取中。
　　对于大场景的SAR图像，使用像素级的图像分割方法难以获取其语义信息。在这种情况下，给出使用基于机器学习的方法对大场景的SAR图像进行分类，进而获取其中的语义信息。