探地雷达(Ground Penetrating Radar,GPR)是一种利用电磁波刻画地下结构的勘探技术。传统的探地雷达一般只采用目标回波中的频率、振幅、相位信息及目标体的长宽等信息对目标进行识别,然而这些利用单极化探地雷达所得到的目标体信息十分有限,许多与目标体形态结构有关的信息并不能被采集并记录下来,进而导致进行目标体识别的准确率较低。为了获得目标体更全面的信息,全极化探地雷达(Full-polarimetric Ground Penetrating Radar)被发展起来,并用于对目标体进行分类识别。全极化探地雷达利用4种不同的天线组合方式对目标体进行探测,能获得相对于传统探地雷达4倍的信息量。通过改变发射天线于接收天线的放置方式,除了能得到传统探地雷达所能获得的频率、振幅、相位等信息,还能获得目标体的极化属性。利用这些极化属性,我们可以对目标体进行更准确的探测,然而如何对这些极化属性进行更准确的分类是一个需要进一步研究的问题。机器学习(Machine Learning)是一种近几年发展起来的新技术,它已被广泛应用于各个学科。机器学习主要是设计一些自动学习的算法,用于从已有数据中提取出样本的特征属性,并利用这些属性对新的未知数据进行预测。机器学习的特点是只需要少量的人为操作便能使机器对新的未知数据进行自动且快速的预测,计算效率及准确率较高,并能对大量数据进行分析和预测。本研究主要利用机器学习算法进行全极化探地雷达地下目标体分类识别。论文的主要内容如下:1.介绍了全极化探地雷达的数据采集工作。包括利用实验室的全极化探地雷达数据采集系统进行数据采集及在室外利用商业探地雷达进行实际数据采集。2.介绍了极化分解技术中经典的H-Alpha分解的基本原理及其分类模板,然后利用实验室测得的不同目标体的全极化探地雷达数据对其进行了测试。进一步分析了经典H-Alpha分类模板在全极化探地雷达中应用的局限性及其产生原因,提出利用机器学习方法对经典的H-Alpha分类模板进行修改。3.发展了支持向量机(SVM)与H-Alpha分解结合的方法,并将其应用于全极化探地雷达地下目标体分类识别中,提高了分类的准确率。4.建立了粒子中心支撑面(PCSP)目标分类方法,并将其应用于全极化探地雷达地下目标体分类识别中。从分类的准确率、运算时间及运算内存方面,将粒子中心支撑面(PCSP)方法与支持向量机(SVM)方法以及经典的H-Alpha分类模板进行了分类效果的对比。5.将粒子中心支撑面(PCSP)方法应用于地下管道探测及地雷探测中,通过实验验证了方法的可行性。