海岸带区域是人类社会经济发展的中心,动态变化剧烈,是遥感监测的热点区域,但海岸带地区易受云、雨、雾的影响,导致高分光学影像获取困难。而高分SAR具有全天候、全天时的优势,中分光学影像光谱信息丰富,重访周期短,相较高分光学影像,两类数据均较易获取。本文联合高分全极化SAR与中分光学影像,开展主被动遥感技术结合的海岸带地物分类方法研究,实现两种遥感技术的优势互补,为海岸带监测数据获取困难这一问题提供一种切实有效的解决途径。本文从像素级和特征级两个层次出发,研究了中分光学影像与全极化SAR影像的联合方法;基于所得的联合影像研究适用的分类方法,对分类精度进行对比分析,得到最优分类方案。论文所做主要工作及结论如下:(1)中分光学影像与全极化SAR像素级融合方法研究。提出两种像素级融合方法,一是PCA与HSV相结合的全极化SAR与中分光学影像融合方法,二是顾及极化特征的全极化SAR与中分光学影像融合方法,将两种融合方法分别与传统融合方法进行对比,发现无论从定性还是定量角度,本文提出的两种融合方法均明显优于传统融合方法。(2)中分光学影像与全极化SAR特征提取与组合研究。提取中分光学影像的NDVI、绿度和湿度光谱特征,提取并选择其纹理特征,由于SAR相干斑噪声严重,仅提取全极化SAR影像的极化特征,针对提取的多特征提出8种特征组合策略,进行特征组合。(3)像素级与特征级联合影像的分类方法研究与最优分类方案确定。基于两种像素级融合影像进行面向对象分类,与高分光学影像作对比,发现PCA与HSV相结合的融合影像分类精度最低,顾及极化特征的融合影像分类精度最高,极化特征可提高地物的分类精度;基于8种特征组合进行非线性多核学习分类,发现包含全部特征的组合分类精度最高,与线性核SVM分类结果进行对比,发现非线性多核学习分类精度优于线性核SVM分类,非线性多核学习更适用于多源异构特征的分类问题。将顾及极化特征的融合影像面向对象分类结果与基于最优特征组合的非线性多核学习分类结果进行对比分析,发现特征级分类结果优于像素级分类结果,得出基于最优特征组合的非线性多核学习分类为联合利用主被动遥感数据进行海岸带地物分类的最优分类方案。