地物覆盖类型的分类是实现合成孔径雷达(Synthetic Aperture Radar,SAR)影像解译的一个关键性技术,而极化SAR影像中极化特征的特性分析则是分类技术中的重要环节。本文对高分辨率极化SAR影像中不同地物目标极化特征的统计分布进行分析,针对其尖峰重尾甚至偏锋、多峰等特点,引入混合高斯模型(Gaussian Mixture Model,GMM)建立多特征联合的统计分布模型,同时采用Relief-F算法得到与地物类别强相关的极化SAR特征,进而将其应用于基于极化特征的统计特性的分类算法中。论文对Radar Sat-2卫星获取的C波段旧金山等地区的三组数据进行了分类实验,实现极化SAR影像的地物覆盖类型的分类。论文的主要工作与贡献在于:(1)面对极化SAR影像在高分辨率异质区域下的统计特性,引入混合高斯分布拟合极化特征的统计分布,建立多特征联合的极化SAR统计模型。从定性和定量两方面对GMM的拟合效果进行评估,为后续的实验提供理论支撑。(2)针对GMM模型中混合分量个数难以确定的问题,提出并实现了一种约束距离的算法,用以快速准确地估计GMM参数。算法首先基于混合分量数与KS距离设计距离函数,然后在贪婪EM(Greedy Expectation Maximization algorithm)算法框架下得到混合分量个数,同时完成参数估计。该算法在自动获取混合分量个数的同时完成权重、均值等参数的估计,降低了对初始值的敏感程度、也避免了局部最值的问题,且计算成本低。最后,结合最大后验算法对极化SAR影像进行了分类,通过实验结果证明了GMM模型对耕地、城区等异质区域在分类实验上更具优势。(3)对于统计模型中的极化特征子集,引入Relief-F分析算法得到与地物强相关的极化特征子集并应用到基于GMM的分类实验上。Relief-F分析算法分别得到每个极化特征与每类目标地物之间的相关性权值,然后通过综合分析,得到与地物类别强相关的特征子集,从而完成极化SAR的特征选择。通过分类实验验证了Relief-F算法所得到的极化特征子集对地物的敏感性和分类的有效性。(4)为了更好地实现异质区域极化SAR影像的统计分类,结合混合高斯模型与Relief-F算法得到的特征子集,研究基于EMD(Earth Mover’s Distance)距离的统计分类方法。该方法计算通过GMM拟合训练样本得到的分布与极化SAR影像目标地物的分布之间的距离,然后通过EMD距离完成极化SAR影像的统计分类。该方法通过分布之间的距离,得到极化SAR影像中的待分类数据与每个地物的数据之间的相似度,在异质区域对相似地物(如林地、耕地两类植被区域)有更强的区分能力。