积雪是地球生态系统重要的组成部分,也是冰冻圈最活跃的自然要素之一,对全球气候系统具有重要的反馈作用;积雪及其融化过程可以为山区水力发电、农业灌溉蓄水,是重要的水资源;同时雪崩、春季融雪性洪水等自然灾害,也会对公共设施造成严重破坏。积雪深度、积雪覆盖信息及积雪干湿状态的准确提取,对融雪径流监测、区域气候模拟、水资源管理等具有重要的研究意义。合成孔径雷达（SAR）因其具有全天时全天候,穿透性强,不依赖于光照,较少受到云雾影响的独特优势受到广泛关注和快速发展。由于雷达传感器所接收到的后向散射信息对积雪的介电特性和几何结构较为敏感,为SAR数据提取积雪层内的物理信息,区分积雪的干湿状态,反演积雪深度提供了可能。针对目前SAR积雪覆盖提取及雪深反演算法存在的不足,综合积雪散射特性与机器学习技术开展了SAR积雪覆盖提取、干湿雪划分和积雪深度反演方法研究。论文的主要研究内容和结论如下:（1）分析局部入射角、积雪下垫面对不同极化SAR后向散射系数的影响,发展了多极化SAR积雪覆盖提取方法。湿雪因液态水含量增多、介电常数增加,其后向散射系数相较于无雪覆盖的地表类型,发生了明显改变。利用这一特性,本文发展了多极化SAR积雪覆盖提取方法。首先分析了不同极化方式下积雪和无雪地表的后向散射特性随局部入射角的变化规律,构建考虑局部入射角的加权函数来联合同极化和交叉极化的后向散射信息,生成多极化后向散射比值图像;其次,区分下垫面类型计算自适应阈值用于分割比值图像,并引入由地形信息建立的决策规则提取积雪区域。验证结果表明,相比采用固定经验阈值的单极化SAR积雪覆盖提取算法所得到的总体精度43.5%,本文发展的新方法在提取积雪区域中更具优势,总体精度提高到80.8%。（2）联合双极化SAR极化分解与机器学习技术,发展了有监督的DSVM-MRF干湿雪划分方法,及非监督的DSAE-WFCM干湿雪划分方法。现有SAR数据的干湿雪划分方法多以商业化且价格昂贵的全极化SAR为研究数据所提出,这些算法的可推广性受限。相比之下,覆盖范围更大、时间序列更长、数据可免费获取的双极化SAR更具应用优势。本文通过推导H-α极化分解在双极化SAR数据上的表达方式,得到了多种极化分解参数。DSVM-MRF方法通过J-M距离选择最优的极化参数作为支持向量机（SVM）的输入特征,为保证迭代收敛到局部最优解,将SVM得到的干湿雪划分结果作为马尔可夫随机场（MRF）模型的初始值,经过条件迭代算法（ICM）迭代计算,输出干湿雪划分结果。为了提高双极化SAR数据的极化特征在干湿雪上的划分能力,同时减少勾画训练样本带来的人工干预,增强方法在不同区域的适用性,本文还发展了一种非监督的DSAE-WFCM方法。DSAE-WFCM方法利用稀疏自编码器（SAE）,基于像素邻域建立深层训练网络提取极化参数的有效信息以实现特征重构,并区分不同下垫面类型,将重构后的极化参数按不同权重输入到特征加权的模糊C均值聚类中（WFCM）,得到干湿雪划分结果。经野外测量数据验证,表明利用双极化SAR数据发展的两种算法考虑了像素邻域信息,降低了斑点噪声的影响,DSVM-MRF和DSAE-WFCM的总体精度分别达到84.5%和88.8%,与全极化SAR干湿雪划分方法得到的总体精度90.0%相近。（3）基于同极化相位差,发展了综合积雪散射特性与机器学习技术的积雪深度反演方法。由于不同结构的积雪冰颗粒会引起HH和VV极化信号的折射率差异,使用同极化相位差（CPD）可以表征不同极化信号发生延迟而形成的相位差异,其中以冰颗粒轴间比来定量描述积雪冰颗粒的各向异性结构。利用入射波长与相位的关系,通过两种极化信号在积雪层内的传播路径构建几何方程,可以建立CPD与积雪深度、密度、冰颗粒轴间比、雷达入射波长、入射角等参数的函数关系。通过拓展傅里叶幅度敏感性检验（EFAST）发现,水平排列结构的冰颗粒CPD大于0且对积雪深度更敏感,通过拟合CPD与积雪深度的函数关系实现雪深反演;而垂直排列结构的冰颗粒CPD小于0且对冰颗粒轴间比更敏感,先拟合CPD与轴间比的函数关系,再通过CPD、积雪密度、轴间比和雷达参数建立CPD雪深反演模型实现雪深反演;在此基础上,得到了区分积雪冰颗粒结构的雪深反演方法。同时,采用K近邻回归、支持向量回归和随机森林回归多种机器学习方法来反演雪深。最后,构建精度最优的决策规则,形成综合积雪散射特性与机器学习的雪深反演算法。验证结果表明,综合积雪散射特性与机器学习所得到的雪深反演精度优于单一考虑散射特性或机器学习的方法,均方根误差RMSE为4.9 cm,相关系数R为0.7。