合成孔径雷达（Synthetic Aperture Radar,SAR）是一种能主动发射电磁波,并对散射回波处理获取照射区域雷达图像的成像系统。电磁波的极化对目标的物理特性、几何形状等具有敏感性,通过极化SAR（Polarimetric SAR,Pol SAR）数据可以提取地物在不同极化组合下的目标散射信息,极大程度上增强了成像雷达对目标信息的获取能力。极化SAR图像分类是利用目标的极化特性对地物进行分类,这对于目标极化散射特性的分析以及极化SAR图像解译的研究与应用具有很重要的理论意义。由于对训练样本和大面积真实地物等先验知识的获取困难,因此本文重点研究基于目标分解的极化SAR图像非监督分类方法,在没有地物先验信息的情况下,仅利用获得的Pol SAR数据极化特性对图像进行分类。主要研究内容包括以下几个方面:（1）研究了一种改进的混合Freeman/Eigenvalue分解方法。针对原始混合Freeman/Eigenvalue分解方法存在负功率问题,本文结合矩阵旋转不变性扩展了一种基于自适应模型的混合Freeman/Eigenvalue分解算法。具体地,首先依据矩阵的旋转不变性,在主导散射机制下,具有针对性地去除目标的方位向和相位向随机性,减弱交叉极化和同极化之间的相关性,消除了表面散射和二次散射功率的负值现象;然后在不同的主导散射机制下选择相应的体散射模型,从而使得目标分解的结果更符合实际地物目标;最后通过几组极化SAR数据,验证了该算法的有效性和实用性。（2）研究一种基于目标分解和类别自适应的极化SAR图像非监督分类方法。针对经典分类算法需要手动输入类别数目,且分类性能差的缺陷,本文提出了一种基于改进的混合Freeman/Eigenvalue分解和类别自适应分类方法。该方法首先对极化SAR图像进行改进的混合Freeman/Eigenvalue分解,依据三种散射功率P_max=max（m_s,m_d,m_v）将图像初始化分为三大类;然后依据极化参数对每大类进一步划分,再利用可视化聚类趋势估计算法和黑框识别算法,识别出类别数目和类中心位置;最后再根据类别数目和类中心进行迭代。通过真实地物的极化SAR数据展开实验结果分析,验证了本文方法分类性能的有效性。（3）研究了一种基于目标分解和大尺度谱聚类的极化SAR图像非监督分类方法。针对像素级分类算法复杂度高、性能差的缺点,探究了一种基于区域级“超像素”的大尺度谱聚类算法。该方法首先通过改进的混合Freeman/Eigenvalue分解提取出极化SAR图像的三种极化散射功率,作为SLIC算法的输入特征矢量;然后对极化SAR图像进行分割处理,把图像分割为小区域,即“超像素”,接着从超像素中选择代表点,构建代表点之间的二分图;最后根据谱聚类算法的原理,完成分类。与现有的几种极化SAR分类方法对比,该方法具有较好的分类精度。