在过去不到10年的时间里,人口增长和城市扩张的速度都在空前增长。城市的扩张对社会经济和环境具有局部性的、区域性的和全球性的影响。因此,对城区场景的研究具有非常重要的意义。本文研究的主要目标是高分辨率SAR图像城区场景的语义分类。SAR图像的分辨率在不断提高。在高分辨率条件下,SAR图像“更像”光学图像,它的空间信息更加丰富,地物目标的几何结构和纹理信息更加明显。早期,对图像的表达采用全局表达,但是全局表达对SAR图像的入射角和叠掩效应等十分敏感。本文提出用局部特征表达描述高分辨率SAR图像。但是从高分辨率SAR图像中提取局部特征,得到的局部特征矢量集合不能直接作为机器学习方法的输入。因为,许多传统的机器学习方法和相似性度量方法默认的输入是矢量。本文用金字塔表达算法将局部特征矢量集合表达成矢量。金字塔表达算法可以描述特征矢量集合在特征空间多个分辨率层次上的分布,因此它包含了丰富的信息。但它同时也包含了大量的冗余信息。AdaBoost可以从金字塔表达矢量中挑选好特征,用于构建分类器。因此,基于金字塔表达的AdaBoost在高分辨率SAR图像城区场景分类中得到了较好的分类结果。在进一步的应用中,发现金字塔表达算法在处理高维局部特征矢量集合时,其表达矢量的区分力下降。为了解决这个问题,本文提出多维金字塔表达。多维金字塔表达在每一维特征上构建金字塔表达,再将得到的金字塔表达连接起来。即使当局部特征是高维特征时,多维金字塔表达可以保证一定的区分力而且计算效率高。因此,在处理高维局部特征矢量集合时,基于多维金字塔表达的AdaBoost仍可以得到较高的分类性能。我们在多维金字塔表达的基础上,提出多维金字塔匹配核,用于度量局部特征矢量集合之间的相似性。它是半正定核,因此可以与SVM结合。在处理高维局部特征矢量集合时,基于多维金字塔匹配核的SVM比基于金字塔匹配核的SVM的分类准确率高。我们在对局部特征矢量集合表达的基础上,使用主题提取算法——LDA(latent dirichlet allocation)提取表达矢量的主题,并与机器学习方法结合,用于高分辨率SAR图像城区场景的语义分类。经过LDA提取主题后,图像用多个主题的分布重新描述。新矢量能够描述图像中隐藏的语义信息。在数据库上的实验显示,bag-of-features表达算法和金字塔表达算法在与LDA结合后,输出矢量的区分力提升。本文还用基于局部特征表达的最近邻算法完成了对城区场景多个类别的细分。我们在高分辨率SAR图像数据集上测试了各种相关算法的分类准确率,并在三张高分辨率SAR图像城区场景上测试并比较了各种算法的分类性能,我们从主观评价和客观评价两个方面对各分类结果进行评价。本文的最后,我们还将基于局部特征表达的分类算法应用于地物分类和城区提取等多种应用中,显示了基于局部特征表达的分类算法的良好性能。