极化SAR(Polarimetric Synthetic Aperture Radar, PolSAR)影像分类是SAR影像处理分析的重要研究内容,经过几十年的发展,已提出了一系列的算法,在像素分类研究方面取得了长足的进步,然而像素分类无法克服斑点噪声影响,同时不能充分利用影像的空间信息,因而难以实现影像的高精度分类,而基于区域特征的影像分类能够有效克服上述不足,因此本文主要开展基于区域特征的极化SAR影像分类研究。区域特征分类包括影像分割和分割后的区域分类,文中首先总结了极化SAR影像在这两方面的研究进展,指出目前分割研究中的难点是如何在顾及计算效率前提下,降低斑点噪声影响,快速得到影像的准确分割结果；缺乏有效初始聚类方法,制约区域非监督分类的发展；而监督分类中的研究趋势则是极化散射特征的有效利用。针对上述难题,通过总结已有研究成果,引用借鉴图分割研究、聚类研究和数据降维研究方面的算法,文中发展了一套区域分割和分类算法,总体而言,在分割研究方面,文中采用区域统计分割,并改进初分割和区域合并处理；在非监督分类研究方面,提出基于区域相似度的初始聚类策略,在监督分类研究中,引入降维处理以提取特征,具体来说,本文的主要研究工作总结如下：(1)提出了一种应用区域统计特征的极化SAR影像分割方法。该方法采用分水岭算法初分割影像,针对传统差值梯度非恒虚警率(Constant False Alarm Rate, CFAR)和分水岭本身固有的过度过分割问题,引入了CFAR的均值比率梯度和测地学腐蚀重构,得到了一个良好的初分割结果；在区域合并方面,结合SAR数据的统计特征和假设检验,给出了一种能更好描述区域相似度的目标函数,确保得到更好的分割结果。(2)将归一化割(Normal cut, NCut)应用到区域初始聚类研究。基于修正Wishart距离,构建分割后区域的相似度矩阵,利用Ncut算法处理相似度矩阵实现,得到影像的初始聚类结果。(3)借鉴聚类趋势研究中相似度矩阵处理重排序策略,结合K均值算法,发展了一种区域初始聚类方法。利用聚类趋势研究中相似度矩阵排序方法,实现初步聚类,计算聚类中心与各区域相似度,利用K均值迭代得到稳定的初始聚类结果。(4)引入近邻传播算法进行区域初始聚类研究。利用近邻传播算法处理相似度矩阵,通过调整参数,得到设定数目初始聚类结果。(5)引入拉普拉斯映射和监督拉普拉斯映射,开展极化SAR影像特征降维研究。提取分割结果中各区域的极化散射特征,执行降维处理,达到去除冗余信息、从而有效利用极化散射特征的目的,确保得到高精度的监督分类结果。