合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有高分辨率的成像雷达,其原理是通过飞行载体运动来形成雷达的模拟大孔径天线,从而获得高方位分辨的雷达图像数据。与光学传感器相比,SAR利用微波遥感技术,不受气候和昼夜影响,能够全天时、全天候工作,并具有多极化、视角可变、有穿透性等独特优点。随着SAR技术的发展和提高,其分辨率越来越高,目前已接近或超过光学成像的分辨率,因而掀起了SAR信息处理及应用研究的高潮。但是SAR图像信息处理技术,特别是对海量数据实时解译技术还处于起步阶段,因此,如何对SAR图像数据做出快速而准确的解译,是目前迫切需要解决的一个世界性难题。SAR图像地物分类技术是传统的ATC(Automate TerrainClassification)技术的扩展。一方面可以作为SAR图像解译系统的中前端,以带层次信息的感兴趣区域取代目标检测和鉴别模块,为目标识别过程提供潜在目标切片以及空间位置、尺寸等信息,另一方面,可以直接为人工判读提供必要参数,建立独立的辅助判读系统。因此,在当前直接进行SAR图像自动目标识别非常困难的条件下,本文的研究对整个解译系统来说,一个非常实用的环节。本文所要研究的内容是支持向量机(Support Vector machine,SVM)在SAR图像地物分类上的应用。围绕这一中心,本文首先详细分析了SAR图像的中相干斑噪声的产生机理和统计特性,提出了一种新的基于小波包的相干斑抑制方法;其次,引入了一种将滤波后图像的灰度和原图像的纹理、空域的灰度共生矩阵和频域的小波包变换相结合的特征提取方法;再次,系统介绍了一种强有力数据分析工具——支持向量机的基本原理,在此基础上,构建了一种快速且参数自优化的最小二乘支持向量机(Least Square SVM,LSSVM)分类器,最后,利用MSTAR SAR实测数据进行实例分析,将所设计的LSSVM分类器应用到SAR图像上进行地物分类,结果表明了此方法的可行性和准确性。