随着极化合成孔径雷达(Polarimetric Synthetic Aperture Radar)影像分辨率的不断提高,传统中低分辨率的基于像素的影像解译手段变得不再适用。针对高分辨率极化SAR影像的新特点,本文基于“矩阵估计-对象构建-目标分解-对象分类”这一研究主线,采用了对象化的思维来解决传统基于像素方法信息利用不全、易受相干斑噪声影响等的问题,并提出了一系列适用于高分辨率极化SAR数据的自适应的处理方法,主要研究工作及成果包括:1)针对传统的窗口平均估计不再适用于不同异质度混杂的高分辨率极化SAR影像的问题,发展一种自选择矩阵估计方法。首先提出极化异质度指数,在对均质区和异质区进行区分的基础上,综合在各自区域最优的不动点迭代估计与窗口平均估计获得自选择的矩阵估计结果;在进一步对均质区与异质区之间的过渡区分析之后,通过对不动点迭代估计和窗口平均估计进行线性加权来对过渡区域进行估计,进一步发展适用于全局的完全自适应的极化SAR相干矩阵估计方法。2)针对传统的超像素不能综合利用全局图像信息等问题,提出了一种引入Wishart能量的改进SEEDS算法(Superpixels Extracted via Energy-Driven Sampling,SEEDS)来产生超像素对象。在块层次更新阶段,用极化相干矩阵的全部波段作为输入以综合利用矩阵所包含的全部信息,在像素更新阶段,提出一种对称Wishart能量以更准确地衡量像素移动对方案能量的影响;最后进行碎斑剔除步骤减少层次能量模型算法可能带来的碎斑超像素的问题。3)针对传统目标分解方法仅能针对相干场景或非相干场景的问题,提出了相干性参数用以区分不同地物之间的相干性,对相干地物与非相干地物分别采用SDH分解与Yamaguchi分解,并按照散射分量的百分比将两者结果进行融合,得到相干非相干统一分解的结果。以超像素作为基本单位合并像素级的统一分解结果,并根据拉依达准则剔除相干斑造成的明显粗差项,获得更接近地物散射特性的对象化统一分解结果。4)结合前面的研究内容,发展了一种对象化的潜在概率语义分类方法,用以解决传统支持向量机(Support Vector Machine,SVM)容易受噪声影响的问题。首先使用自适应矩阵估计获得更贴合实际地物的极化SAR相干矩阵,然后基于像素提取特征,包括纹理特征,统一分解极化特征等,根据生成的超像素对特征进行统计,获得低层次的特征矢量。最后使用潜在概率语义模型提取低层次特征分布中蕴含的高层次语义信息,改善低层次特征可能造成的误分类问题,并将其用于SVM分类。本文的主要创新点如下:(1)提出了能够表征图像异质度的异质度系数,在对异质度区间的深入划分之后发展了自适应的矩阵估计方法;(2)提出了引入Wishart能量的改进SEEDS超像素算法,综合利用极化SAR数据包含的信息优化分割结果;(3)提出了区分地物相干性的相干性参数,并结合超像素得到了对象化的相干非相干统一目标分解;结合自适应矩阵估计,超像素以及统一分解,发展了基于潜在概率语义模型的对象化SVM分类方法。