极化散射解译是极化SAR信息处理的重要环节,对以舰船检测为代表的极化SAR应用具有重要影响。本文围绕成像雷达舰船目标极化解译和检测展开研究,深入挖掘极化信息、提取极化特征,发展结合极化显著性特征和极化旋转域特征的成像雷达舰船检测方法。结合Radarsat-2稀疏区域和密集区域、高分三号数据I和数据II验证所提方法的有效性。本文主要工作及创新点如下:（1）提取了新的极化显著性特征,并提出了一种新的极化SAR舰船显著性检测方法。首先,基于极化协方差矩阵相似性检验提取极化显著性特征SPN（Similar Pixel Number）。其次,通过算法重构和优化,提出矩阵相似性检验和SPN快速算法。对于1000×1000数据,运行时间缩短至传统算法的4.12%。最后,结合极化显著性特征SPN提出了舰船目标显著性检测方法,主要包括极化显著性特征提取、门限处理和形态学滤波三大步骤,对比实验验证了所提方法的性能优势。（2）发展了极化旋转域极化相关方向图表征方法,并提出了结合极化旋转域特征的舰船检测方法。首先,结合极化旋转域理论方法提出极化相关方向图解译工具,并提取得到极化相关方向图特征。其次,通过TCR（Target to Clutter Ratio）分析优选极化特征。最后,结合极化旋转域特征优选、门限处理和形态学滤波三大步骤,提出舰船目标检测方法。相较于对比方法和其他极化旋转域特征,TCR最高的两个极化特征（?）γ（HH-VV）-（HV）（θ）org和（?）γHH-HV（θ）org有最优的综合检测性能。（3）提出了极化特征和超像素融合的舰船检测方法。一方面,发展单特征和超像素融合的目标级检测方法;具体地,将原始极化旋转域特征进行超像素分割,而后进行门限处理得到最终的检测结果。对比实验验证了目标级检测方法相对于像素级方法在抑制虚警、提高检测率方面的性能优势。另一方面,发展多特征和超像素融合的舰船检测方法。首先,对单特征的检测结果进行分析,优选极化特征组合。其次,将优选的特征组合构成RGB伪彩色图像,通过对RGB伪彩色图像进行超像素分割实现特征融合。最后,将融合特征做门限处理即得到最终的检测结果。对比实验验证了多特征融合的检测方法相对于单特征方法的性能优势。（?）γHH-HV（θ）org、（?）γ（HH+VV）-（HH-VV）（θ）min和（?）γ（HH-VV）-（HV）（θ）min的融合特征的综合性能最好。综上所述,通过极化解译发展提取的极化显著性特征和极化旋转域特征,在成像雷达舰船检测中取得了良好效果,进一步推动了极化SAR解译的发展和舰船检测性能的提升。