由于SAR成像技术具有全天候，不受气候等因素影响的优势，使得它在国民生产和建设中发挥了很大的作用。而对SAR图像的处理也就成为了人们研究的热点与重点，其中SAR图像分割作为对图像处理的过程中的基础操作，也受到越来越多的人们的关注。谱聚类算法是处理图像分割问题中常用的一种算法，但由于该算法很难处理海量的数据，所以其应用受到限制。近年来，字典学习的方法成功的应用于很多领域，比如：分类、分割、识别、超分辨、去噪等。在本文中，我们围绕字典学习的方法来解决以上的问题做了以下几个方面的研究。（1）通过对非局部均值的思想的研究，提出了一种基于非局部特征和采样稀疏学习的SAR图像分割方法。该方法能够有效地解决传统的小波特征计算过程中存在的不合理问题。利用搜索窗中的各个点之间的相似度来作为权重，这样属于同一类的权重就大，在计算中起主要作用。同时结合了基于采样学习的SAR图像分割方法，该算法主要解决传统的谱聚类算法对大量数据，无法有效的处理的问题。首先对数据进行多次随机采样，利用谱聚类算法对每次采样后的结果进行聚类，然后再将多次采样后聚类的结果中属于同一类的数据集合在一起。对每一类数据使用训练一个字典，求解测试样本在字典下的稀疏表示，通过计算重构误差来确定该测试样本属于哪一类。从实验的结果与数据中，可以看出该方法比传统的方法有好。（2）提出了一种基于分水岭和统计直方图的SAR图像分割方法。该方法可以将传统分水岭容易过分割的缺点得到利用。首先对图像初始分割，从每一类的结果中选取一些数据来训练得到一个字典，通过最近邻来计算每类数据在其字典上的统计直方图。再将分水岭过分割的小块区域在每一类字典上计算一个统计直方图，最后计算该直方图与训练数据的统计直方图之间的误差，以此误差的大小来决定该区域的归属。