合成孔径雷达(Synthetic aperture radar,SAR)由于具有不受光照和气候条件影响的成像能力,已经成为一种重要的遥感对地观测手段。SAR图像分割与分类是SAR图像处理与解译的基础问题,也是SAR技术走向实际应用的关键环节之一,具有重要的研究意义。SAR成像技术发展的一个重要趋势是空间分辨率的提高。高分辨率SAR图像可以提供更为丰富的地面信息,但是也为SAR图像分割与分类提出了新的问题。相比于中低分辨率SAR图像,高分辨率SAR图像呈现出统计特性改变、纹理特征突出、场景复杂、数据量大等特点,使得适用于中低分辨率SAR图像的分割与分类算法难以满足高分辨率SAR图像处理的应用需求。本文针对上述问题,在总结和分析现有方法的基础上,以准确描述高分辨率SAR图像特性和充分利用SAR图像信息为出发点,提出了多种适用于高分辨率SAR图像的分割与分类方法。论文的主要工作和贡献包括以下几个方面:1.在总结现有SAR图像分割与分类理论和方法的基础上,结合高分辨率SAR图像特性,分析了现有分割与分类方法应用于高分辨率SAR图像时存在的问题。2.研究了高分辨率SAR图像统计建模理论及参数估计方法,基于G0统计模型建立了适用于高分辨率SAR图像分割的能量函数模型,提出了基于G0分布和水平集方法的SAR图像变分分割方法。在此基础上,进一步研究了基于凸松弛与凸优化的能量函数优化方案,研究并实现了基于G0分布和分裂Bregman算法的SAR图像分割方法,可以有效提高SAR图像分割效率。3.针对高分辨率SAR图像纹理信息丰富、场景复杂的特点,提出一种结合鉴别学习理论的变分分割方法。该方法建立了一种新的变分分割模型,能够结合鉴别学习获得的特征分布信息与先验约束信息。基于所提变分模型,提出并实现了基于形态学纹理特征的高分辨率SAR图像分割方法。实验表明,本文方法可以有效利用高维SAR图像特征中包含的鉴别信息,提高高分辨率及复杂场景SAR图像的分割准确度。4.针对基于像素点的SAR图像分类方法容易受噪声及杂波干扰的问题,研究了基于超像素的高分辨率SAR图像分类方法。首先,针对SAR图像中超像素生成问题,提出了一种基于统计模型和强度均值比的超像素生成方法,并通过实验验证了该方法对于SAR图像的适用性。在提取的超像素基础上,研究了SAR图像超像素特征提取方法,提出了一种基于超像素稀疏编码特征提取的SAR图像分类方法,基于真实高分辨率SAR图像的分类实验验证了该方法的优点。5.针对高分辨率极化SAR(Polarimetric Synthetic Aperture Radar,PolSAR)图像分类问题,提出了结合极化信息与空间信息的PolSAR图像分类方法。该方法通过集合多种极化特征构建高维特征空间,然后基于稀疏表示分类理论对极化SAR图像进行分类。为了有效利用PolSAR图像空间信息,将稀疏表示分类理论与超像素相结合,提出了两种不同的PolSAR图像分类方案。本文所提方法不仅能够有效地提高高分辨率PolSAR图像分类准确率,同时也扩展了基于稀疏表示的分类理论与方法。总之,本文围绕高分辨率SAR图像分割与分类问题展开了一系列研究,丰富了SAR图像分割与分类理论,可以为高分辨率条件下SAR图像信息获取与解译提供有效方法。