合成孔径雷达(Synthetic Aperture Radar, SAR)是一种主动的微波遥感成像系统,具有全天时、全天候侦察能力和较强的地表穿透能力,尤其对传统的光学传感器成像困难的地区有着不可替代的优势,已经越来越多地应用于军用和民用的各个领域。SAR技术已从单波段、单极化、单模式发展到多波段、多极化、多模式,SAR图像数据的获取方式日益丰富,而与之相对应的SAR图像解译方法的研究相对滞后。SAR图像分类是SAR图像解译中的基础研究课题之一,也是近年来遥感领域的研究热点。SAR图像中固有的相干斑使得地物目标信息主要体现在灰度变化的统计规律而不是灰度值本身,常规的基于图像灰度的图像处理与分析方法难以取得令人满意的结果。因此,SAR图像分类也是遥感应用领域当前亟待解决的难点问题。SAR图像统计建模是SAR图像分类中重要环节,建立精确合理的统计分布模型是基于贝叶斯经典统计模式识别方法进行SAR图像分类首先要解决的问题。近年来,对描述SAR图像的统计模型的研究成为一个热点。本文从SAR图像数据的统计特性出发,致力于SAR图像统计建模方法和分类技术的研究。SAR图像数据具有尖峰和重尾统计特性,常用的模型如Gamma分布、Weibull分布、Log-Normal分布、K分布等难以取得对各类别均较好的建模结果。Alpha-stable分布是一类重尾分布族,与SAR图像的这种统计特性相吻合。针对SAR图像的这种统计特性,本文在深入研究Alpha-stable分布参数估计方法和概率密度函数估计方法的基础上,将Alpha-stable分布引入到SAR图像数据的统计建模。在SAR图像样本上的拟合结果以及与其他统计分布模型拟合结果的对比说明了Alpha-stable分布对SAR图像数据建模的有效性。在此基础上,通过马尔科夫随机场(MRF)引入邻域一致性先验约束,提出并实现了SAR图像的贝叶斯分类算法。分类算法在武汉地区和佛山地区的TerraSAR-X图像上得到了较高的分类精度。随着分辨率的提高,SAR图像中地物场景的复杂性和随机性愈发显现,高分辨率SAR图像数据具有尖峰和重尾特性的同时,还表现出明显的多峰统计特性,基于单一分布的统计建模方法难以取得准确的建模结果,本文提出了基于混合Alpha-stable分布的高分辨率SAR图像统计建模方法。实验结果表明,随着混合Alpha-stable分布成分个数的增加,其对不同类别SAR图像数据的拟合准确度得到提高,证实其有效性。另外,针对常用的极大似然和矩估计法对Alpha-stable分布难以实施的问题,本文提出了一种基于马尔科夫链蒙特卡洛(MCMC)采样的混合Alpha-stable分布模型参数估计方法(记为PSA MCMC方法)。该方法在MCMC采样的基础上,通过引入模拟退火(Simulated Annealing)策略克服MCMC方法容易陷入局部极值而导致收敛速度慢的缺点(特别是目标分布为多峰分布时),并自适应地更新候选分布的参数,使其所产生的样本更接近参数的真实后验分布。该方法在模拟数据上得到了比较准确的参数估计结果。最后,结合混合Alpha-stable分布和MRF提出并实现了SAR图像的贝叶斯分类算法,在两幅TerraSAR-X图像上均取得了较高的分类精度并优于对比实验中其他分类方法的分类结果。针对多通道SAR图像数据的统计建模,现有的统计模型主要有针对复矢量数据的复高斯分布和针对协方差矩阵数据的复Wishart分布、Kp分布、Gp分布等。本文研究了基于椭圆Alpha-stable分布的和基于Copula函数构建联合分布的多通道SAR图像统计建模方法。在RadarSAT-2图像上的拟合结果说明了两种统计建模方法的可行性与有效性。在此基础上,结合MRF提出并实现了多通道SAR图像的贝叶斯分类算法。分类算法在RadarSAT-2图像上得到了较高的分类精度,并高于基于其他统计分布模型分类方法的分类精度。