地物分类，作为图像处理等相关领域重要的研究课题，在国防、经济、科技和空间等方面得到了广泛应用及发展。在对目标进行分类的过程中，根据信息种类，目标可分为：有标记信息(labeled data)和无标记信息(unlabeled data)。而实际应用中，两种信息并存的情况更多。于是半监督学习(Semi-SupervisedLearning)应运而生，并成为当前机器学习等领域的研究热点。本文基于半监督学习中的协同训练算法对地物分类进行研究，并通过应用于实际问题，逐步深入的探讨了自己的理解和方法。　　 首先，本文着重讨论了半监督学习思想中一种热点算法：协同训练算法(Co-Training)。并将其与支撑矢量机(SVM)学习方法结合对极化合成孔径雷达(Pol.SAR)图像进行多分类。为了提高算法中每次迭代反馈样本的质量及利用大量未标记数据的相关信息，有针对性的引入了模糊C均值聚类算法(FCM)，与原来的分类器共同决定用于反馈的样本。实验结果表明，该方法相比传统协同训练算法具有较好的分类精度。　　 其次，对反馈样本选取方式进行了研究。一种是上述方法中的基于置信度方式；另一种是基于信息量方式，即主动学习(Active Learning)思想的一种。于是对协同训练算法框架相应的进行修改和调整。实验表明，后者对修正分类界面的指导起到更大作用。为了进一步提高分类性能，本文对极化合成孔径雷达图像的主要特征进行挑选，实验表明同样分类方法，当H和span作为其特征时，分类性能提高更多。　　 最后，根据对上述修改后的方法中挑选反馈样本的策略的分析，也为了更有针对性的利用大量未标记的极化合成孔径雷达图像数据信息，于是将wishart数据分布引入反馈样本挑选流程。实验表明，wishart分布的加入改善了反馈样本的质量。