合成孔径雷达(Synthetic Aperture Radar，SAR)图像分类是实现SAR图像自动解译的关键步骤。如何选择区分性较好的特征和设计有效的分类算法，是SAR图像分类的两项关键技术。纹理是各种地表的固有属性，为SAR图像分类提供了大量有用的信息，尤其对于单波段、单极化的SAR图像，纹理特征就显得格外重要。与传统统计方法的分类器相比较，人工神经网络方法应用于SAR图像分类时，不需预先假设样本空间的参数化统计分布，能够描述复杂的映射关系，分类性能优于传统方法。本文主要针对纹理特征和神经网络技术在SAR图像分类中的应用进行了相关研究。 为了提高SAR图像分类的分类率和稳定性，本文提出一种有效的SAR图像分类方法：首先，利用Brushlet变换进行纹理特征提取。Brushlet作为多尺度分析方法，具有良好的方向性，其能量和相位特征能够很好地描述图像的纹理信息。其次，采用学习速度快、不易陷入局部极小的径向基函数(Radial Basic Function，RBF)网络进行分类。将Brushlet变换后所提取的特征作为网络输入，进行RBF网络的训练和分类，实现对整个SAR图像的分类。利用MSTAR SAR图像数据的实验表明，此方法的分类率高达95.33％，优于灰度共生矩阵以及BP网络等传统分类方法，同时通过窗口优化进一步改善了分类效果。将对原始图像训练好的RBF网络应用至多幅同一地区的SAR图像进行分类，也都较好地区分了各类地物，说明此方法还具有较好的泛化性．