极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)利用不同极化方式交替发射与接收雷达信号,能够获得丰富的目标散射信息。这些信息在雷达图像的特征提取,图像解译及自动目标识别(Automatic Target Recognition,ATR)技术中发挥着重要作用。因此本文从极化信息的提取与运用出发,对基于极化SAR图像的极化目标分解,基于极化信息的目标检测与目标鉴别等方面进行了研究。本文首先简要介绍了极化SAR目标分解,目标检测与鉴别的研究背景与意义,概述了该课题的国内外研究状况,并介绍了本文研究的主要内容。在此基础上,对本文的主要研究内容分以下三个方面进行详细介绍:第一部分,主要介绍了极化处理的电磁波理论基础,并在此基础上对极化数据的预处理:极化定标理论进行介绍,分别研究了基于点目标的定标算法和基于分布式目标的定标算法,分析了极化相位定标,串扰定标及通道不平衡定标对极化数据的影响。第二部分,研究了极化目标分解问题,主要是非相干分解中基于模型的分解问题。该工作主要包含以下两方面:1,介绍了几种经典的基于模型的分解算法,包括Freeman-Durden分解,改进的Yamaguichi分解,基于非负特征约束的模型分解,基于双酉变换的分解等。2,提出了一种基于极化相似度匹配的极化相干矩阵散射能量提取方法,该方法利用极化相似度获取与原始相干矩阵相似度最高的基本散射机制并对该散射机制进行半正定约束的优先分解,避免了主导散射机制能量的低估问题,取得了较好的分解结果。第三部分,研究了基于极化信息的目标检测及鉴别问题。在目标检测阶段,首先介绍了传统的基于阈值的CFAR检测算法,针对CFAR检测在复杂场景下失效的情况及对极化信息运用不充分情况,研究了基于极化信息与支持向量数据描述(Support Vector Data Discriptor,SVDD)的极化检测算法。SVDD构造了包含单类目标数据样本的紧致超球体边界,使其能很好地对一类问题进行分类。通过对目标样本提取大量极化特征,采用SVDD进行训练,获取一个较优的分类界面,采用训练得到的分类边界对待分类样本进行分类,获取目标杂波二值图,通过对二值图像进行形态学滤波去除明显不是目标的杂波区域,最终获得疑似目标切片,实现目标检测。在目标鉴别阶段,详细介绍了几种经典的鉴别特征,该特征主要是由林肯实验室及其他实验室提出的纹理特征。并介绍了高斯鉴别器及SVDD鉴别器的基本原理,采用两种鉴别器实现了目标的鉴别。