极化合成孔径雷达(PolSAR)利用电磁波的穿透性以及对电磁波的极化方式进行组合,可以全天时,多极化的获取更为丰富的地表地物信息。因此被广泛应用于目标检测、遥感图象分类、地表参数反演等领域。随着PolSAR系统获取图象分辨率逐渐提高,传统的基于象素级的解译方法受到一定制约,因此如何针对高分辨率PolSAR图象进行快速并准确的解译成为研究重点。本文针对利用低层象素级特征解译存在的问题,研究利用基于中层语义特征建模的方法进行PolSAR图象分类。高分辨的PolSAR图象地物信息更加复杂丰富,基于象素的处理时间较长,因此进行分割操作获取保留良好地物边缘的对象区域作为处理单元有效提升解译速度。计算机通常都是获取低层特征进行解译,PolSAR图象的低层特征是通过目标分解得到的基于象素的极化特征。高层特征是结合了对象信息、语义上下文信息、尺度空间信息等的基于图象全局理解的特征,是更接近于人们理解的特征。中层特征模型的引入能建立起低层特征与高层特征间的桥梁使计算机的解译过程更接近于人们理解图象的过程。词包(BOW)模型和概率潜在语义分析(pLSA)模型均为中层特征模型,它们将抽象的低层极化特征转化成具象的“单词”、“主题”中层特征,进而更好的实现图象理解。本文首先介绍了PolSAR图象分割、中层语义特征建模及分类等的研究及发展现状。针对PolSAR图象的特殊成像基理以及地物分类的实现,介绍了基于区域生长与合并的分割,以获取中层特征表征的最小单元。其次,在每个获取的分割区域中利用词包(BOW)模型进行中层语义特征的提取并实现分类。本文采取两种方法进行视觉单词的构造,一种是基于K-means的方法聚类形成视觉词典,另一种是结合多尺度上下文信息以及先验知识信息构造多尺度的视觉词典。利用视觉单词对图象区域进行表征并结合SVM分类器实现分类。然后引入概率潜在语义分析(pLSA)模型挖掘单词间的潜在关系,将视觉单词到文档的映射转化为隐语义主题到文档的映射,有效降低了特征维度并提高解译精度。最后,利用两组PolSAR数据进行地物分类实验并利用一组PolSAR数据进行场景分类实验进行验证与分析。实验结果表明,本文方法可以在保证分类精度的前提下有效提升高分辨率PolSAR图象的分类速度,验证了方法的合理性与实际可应用性。