合成孔径雷达(Synthetic Aperture Radar，SAR)是一种可以全天时、全天候应用的主动成像系统，具有较高的分辨率，但是普通SAR系统往往只能得到部分地物信息，而极化 SAR(POLSAR)系统可以提供更加详细的地物信息，近几年极化 SAR系统的研究在国内外均取得了较大的进展，但是多极化通道与此同时带来的是数据量的激增，给数据的存储与传输造成了极大的压力，若不能有效地对数据进行压缩则需要占用较大的带宽来传输，对后续图像的解译工作带来极大的压力。极化SAR数据的压缩不仅要考虑各极化通道内的数据冗余，还要将通道之间的相位信息考虑在内，因此不能将自然图像的压缩方法以及单通道SAR图像压缩方法直接移植到极化SAR图像压缩上来，所以极化SAR数据的有效压缩成为一个重要的研究课题。　　本文根据极化SAR数据的特点，充分考虑了通道之间的相关性，利用字典学习算法与稀疏表示理论，提出了几种新的极化SAR图像压缩算法，本文的主要成果如下：　　1．提出了一种基于稀疏K-SVD字典学习算法的在线极化SAR图像压缩方法，主要用到了稀疏K-SVD(S-KSVD)字典学习算法，该算法不仅对信号进行稀疏表示，同时对字典也进行稀疏表示，若是用在图像压缩上，字典跟图像一样，仅需要传输稀疏矩阵即可，利用一维DCT与两维提升97小波对极化SAR通道之间以及图像内的数据冗余进行预去除，然后利用S-KSVD基于压缩图像本身训练字典，ORMP算法进行稀疏分解进一步去除图像内的冗余，极大地提高了压缩效果。　　2．设计了一种基于多尺度字典学习与多样本稀疏表示的极化SAR图像压缩方法，该方法是将待压缩图像进行三维小波分解，初步去除通道内以及通道之间的数据冗余，然后取训练集小波域垂直方向子带、水平方向子带、对角方向子带分别训练字典，对压缩测试图像对应方向的小波子带利用多样本稀疏表示进行稀疏分解，每八列为一组设定一个稀疏度，使得稀疏矩阵中重要的系数得以保留，有效提高了重构图像的质量。　　3．提出了一种基于目标保护与字典学习的极化SAR图像压缩方法，利用四叉树对极化SAR图像进行初步分块处理，利用方差系数对极化SAR目标区域进行提取，然后对目标区域进一步分块，对于目标区域训练尺寸为64×256的字典，而背景区域训练尺寸为256×1024的字典，在相同稀疏度下目标区域可以保留更多系数，利用训练得到的字典对压缩测试图像对应的区域进行稀疏分解，两个区域的稀疏系数矩阵用Huffman算法进行编码。　　利用本文所提出的方法对多组极化SAR图像进行压缩测试并与经典的图像压缩算法作对比，实验结果表明，本文提出的方法具有较好的压缩效果，无论从峰值信噪比还是重构图像的视觉效果上都要优于对比算法。