实现从远距离探查地球表面的遥感技术近年来不断发展以及多种卫星传感器的大量应用,来源于同一地区的各类遥感影像数据越来越多，并且具有各自的优势特点和局限性。现今，仅仅依靠单一遥感影像数据已难以满足实际应用中复杂的技术要求，因此针对多源信息进行综合处理而获取有效信息的图像融合技术成为研究热点问题。本论文将利用高光谱与合成孔径雷达(Synthetic Aperture Radar，SAR)图象进行图像融合分类研究。其中，高光谱遥感影像的光谱分辨率很高且波段众多，包含精细的地物光谱特征。而极化SAR图像则具备全天时、全天候等工作特性，拥有丰富的极化信息和纹理信息。通过优势互补，基于机器学习理论提出不同优化算法最终实现对地物的准确分类识别，提高图像场景的解译能力，从而获得对观测目标的客观全面、本质上的认识。具体工作内容如下：首先，根据影像特性分析对高光谱与SAR图像进行特征提取，为后续研究工作提供准确的数据基础。其中，高光谱图像特征提取主要采用了传统经典的主成分分析PCA法、线性判别分析LDA法，以及重点针对小样本集问题的SVM-PP法即将支持向量机和投影寻踪理论有效结合起来，并提出了根据遗传算法优化选择编码表中对应的特征而获取最有用的集合。对于极化SAR图像，则研究了/A、Freeman和Yamaguchi目标分解方法进行特征提取。然后，基于机器学习进行特征层融合分类研究。针对样本不足及传统分类器无法有效融合高光谱与极化SAR特征数据的问题，本文主要提出了MGBL-AL分类系统：第一，基于余一法（Leave-One-Out-Covariance，LOOC）优化Meta-Gaussian分布参数估计来建立MGB-LOOC分类器以融合处理多源数据；第二，利用主动学习（Active Learning）理论，根据不同查询准则主动选择最大信息量的未标记样本并添加到训练集中来进一步提高地物分类精度。最终，基于多分类器集成学习进行决策层融合分类研究。基于更高层次即决策层融合高光谱与极化SAR图像时，本文利用多分类器集成学习理论将多个分类器决策加以合并来确定最终决策，以获得更加可靠的识别精度。其中，重点改进了基于单一决策树分类器的Gentle AdaBoost.MH算法，并与其他传统随机森林算法进行了分析对比。