土地覆盖分类研究对土地利用、生态系统退化、环境保护等工作的开展具有重要意义,受到广泛重视。面向对象的图像分类方法(object-oriented image classification)是近年来遥感领域备受关注的前沿图像处理技术之一,合成孔径雷达(Synthetic Aperture Radar,SAR)可提供大范围地表数据支持。基于合成孔径雷达成像的土地覆盖分类研究是当前遥感图像处理的前沿和热点。本文提出了一种基于极化SAR数据的面向对象土地覆盖分类方法,该方法设计了一种新型多通道图像分割算法和集成极限学习机(Ensemble Extreme Learning Machine,Ensemble-ELM)分类器,并选用了三个不同地区(蚌埠、新加坡、锡林浩特)的哨兵一号(Sentinel-1A)SAR数据对本文提出的土地覆盖分类方法进行了验证和评估。在图像分割阶段,本文设计并实现了针对SAR图像分割任务的多通道图像分割算法。该方法首先采用传统分水岭算法对SAR图像进行初步分割,提供小的图像分割块用于后续进行融合;其次基于SAR图像的极化信息与形状特征设计了一种改进的区域融合算法以合并过分割对象。该方法不仅克服了传统分水岭分割算法导致的过分割现象,还可以很好的保持SAR图像中的地物边缘。并采用基于分割对象内部均匀性和非均匀性的图像分割评估方法,将本文所提出的多通道分割算法与传统基于简单线性迭代簇类的超像素分割方法相比,评估结果证明了多通道分割方法提供了更优的图像分割结果,实现了高质量的图像分割。在图像对象分类阶段,为弥补极限学习机在稳定性和分类精确度上的不足,设计出基于Bagging集成策略的Ensemble-ELM分类器实现图像对象的分类。并设置了另外四种分类方法:单个ELM、随机森林、KNN和支持向量机来比较所提出的Ensemble-ELM的性能。通过定量分析,对测试地区分类结果进行精度评估工作,结果表明,Ensemble-ELM分类器对蚌埠地区的分类准确率为92.52%,对新加坡地区的分类准确率为95.94%,对锡林浩特地区的分类准确率为88.28%,优于其他四种分类器,证明了本文提出算法的普适性和有效性。从实验过程和相关数据分析可知,本文所设计的土地覆盖分类方法被证明是一种可行,且极具应用前景的技术。