随着时代的进步和科技的发展，雷达作为一种遥感工具得到了越来越多的应用。全极化合成孔径雷达（Synthetic Aperture Radar，SAR）作为雷达发展的重要分支和未来发展方向，是目前最先进的传感器之一，因此得到了世界各国的广泛重视。全极化SAR能够对目标进行全面而详尽的描述，从而被应用到目标识别领域。全极化SAR图像分类识别是SAR图像解译的核心组成部分，在军事和民用领域都有着重要的实际应用价值。但是现在我们对全极化SAR图像分类识别方法的研究仍要落后于全极化SAR系统的发展进度。在雷达目标识别系统中，目标的特征提取与分类器的设计是最为关键的两个环节。本文的工作重点也将定位于目标的极化特征提取和分类器的优化设计这两个方面。本文的工作和研究成果包括以下几个方面：首先在第2章介绍了雷达极化的基本理论，包括了电磁波的极化表示和雷达目标的极化表示，为后面的研究打下了理论基础。然后在第3章中介绍了基于极化分解理论的目标特征提取方法。目标极化分解能够将目标散射特性分解为几种简单散射机理的组合。鉴于目标的极化分解方法有很多，本章主要介绍了Pauli分解、Krogager分解和Cloude-Pottier分解。其中Cloude和Pottier提出的Cloude-Pottier分解方法被认为是目前为止最成功的目标极化分解方法。我们通过实验验证了基于Cloude-Pottier分解的极化SAR图像分类识别效果。在第4章中，我们引入了基于结构风险最小化的SVM分类器，用它来进行极化SAR图像的分类识别。针对SVM分类器在训练阶段耗费时间较长的问题，提出了基于K近邻思想的训练样本最优边界向量提取算法。该方法能够在保证最终分类识别效果的同时，通过裁剪训练样本的规模、去掉样本集中一些冗余的样本点来缩短SVM的训练时间，从而达到优化SVM分类器的目的，本章通过实验验证了该方法的有效性。最后章节对全文的工作进行了总结，并讨论了下一步的研究方向。