POLSAR图像分类是POLSAR图像处理中的重要内容,也是POLSAR图像解译的关键技术之一。POLSAR图像分类是将POLSAR图像解译系统中的前端部分单独提取出来作为具体应用的典型实例。快速、准确的POLSAR图像分类是实现各种实际应用如目标检测与识别的前提。本文采用了一种基于量子克隆进化算法的BP神经网络分类器,并使用该分类器对POLSAR图像进行分类。该分类器包含两个步骤:使用量子克隆进化算法优化BP神经网络的初始权值和阈值;使用梯度下降法对权值和阈值进行精确调整。论文首先介绍了POLSAR图像分类的背景以及国内外的发展概况,然后介绍明了POLSAR图像的特征提取方法,并详细阐述了如何使用基于链式竞争策略的智能体遗传算法(LAGA)的并行式多准则特征选择算法对已提取的POLSAR图像特征进行选择,接着描述了量子克隆进化算法(QCEA)的起源、基本原理和算法流程,并采用了一种使用量子克隆进化算法来优化BP神经网络分类器的初始权值和阈值的方法。最后,将提取和选择后的POLSAR图像特征输入量子克隆进化算法优化后的BP神经网络分类器中,得到POLSAR图像的分类结果。综上所述,本文主要完成了两项工作:其一,提出基于量子克隆进化算法优化的BP神经网络的初始权值和阈值的方法,经过优化后的BP神经网络能够收敛到全局最优值,当该BP神经网络用于分类和函数优化时可以得到更加精确的结果;其二,将该分类器用于POLSAR图像的分类中,实验结果表明本文的算法与其他经典分类算法比较,分类结果图的效果更好,分类精度也更高。