极化合成孔径雷达以其全天候,全天时等优点成为对地遥感观测领域中的先进技术,它通过收发不同组合的电磁波,记录反射回波除幅度、相位以外的极化信息,能够对观测目标进行更全面的描述,已经成功的应用到日常生活的许多行业甚至是国防军事领域。但是,极化合成孔径雷达硬件系统快速发展的同时,对其获得的图像解译能力却明显不够。在极化合成孔径雷达图像的地物分类领域,存在着诸如特征量不能全面描述观测对象,分类精度和性能不够高,算法的鲁棒性不够强等问题。以PolSAR的目标分解理论及相关理论为基础,对极化合成孔径雷达图像的地物分类问题做出研究,对主要的研究内容作如下简介:1.对多种经典的相干分解和非相干分解理论进行了研究。通过实验对各种分解方法进行了分析。结合Pauli目标分解,介绍了一种超分辨分解算法,该算法利用空间关联性,能够很好的将一个散射单元内的不同散射机制区分开,还成功的对其提出改进,以非相干分解中的Freeman分解为基础,将该算法进行了推广,算法具有较高的准确率和较好的时间性能,相关的实验提供了佐证。2.对基于特征值分解的方法进行了深入研究。通过相干矩阵的特征值分解,得到极化散射熵H、平均散射角(?)以及各向异性度参数A这三个参数,由此出发得到H/(?)分类平面以及H/(?)/A三维分类空间。文中还通过实验探讨了相干斑噪声对以上3个参数的影响。在引入Wishart分类器后,再结合参数H、(?)、A及相干及非相干分解理论,构成了两种非监督的目标分解方法。最后,对参数H、(?)、A的相关优缺点进行了研究,给出相应的参数优化解决方案。3.将分类器支持向量机引入到极化合成孔径雷达的地物分类中,这是由于该分类器有小样本、高维度等特性,而且目标分解理论能够为分类器提供良好的特征量,两者结合能够给出良好的分类结果。文中研究了多种不同的结合方式并使用了遗传算法对相关参数寻优。最后研究了一种新颖的非监督分类方法,这种方法以功率值和Wishart聚类中心为衡量特征量的标准,具有良好的分类表现。