极化合成孔径雷达（Synthetic Aperture Radar,SAR）图像分类能够及时、准确地感知地表环境信息,推动极化SAR系统在地表覆盖测绘、海洋研究以及战场侦察等遥感领域中的应用,是微波遥感技术领域中的重点研究课题。条件随机场（Conditional Random Field,CRF）是处理极化SAR图像分类的有力工具。如何挖掘区分能力高、泛化能力强的目标极化特征,并构建精确、普适性高的极化SAR数据统计模型是基于CRF的极化SAR图像分类的两项关键技术,也是提升极化SAR图像分类精度的关键所在。论文针对极化SAR数据特征挖掘和精确统计建模展开研究,在CRF框架下,基于贝叶斯信息融合准则,融合极化SAR图像的有效极化特征信息、散射统计信息和空域相关性信息,实现极化SAR图像精确分类。论文的主要工作可归纳如下:1.提出了基于广义鲁棒主成分分析（Generalized Robust Principal Component Analysis,GRPCA）的极化SAR图像特征挖掘方法,提升了极化SAR图像特征的判别能力。主要工作包括:1)GRPCA算法利用简单线性迭代聚类算法进行超像素分割预处理,依据超像素区域内数据的相关性,利用鲁棒主成分分析算法对极化SAR数据进行低秩稀疏分解,实现极化特征信息与相干斑的解耦,提高极化特征的噪声鲁棒性;2)针对极化特征数据的非高斯统计特性,GRPCA算法利用广义主成分分析算法对非高斯极化特征数据实现最佳数据降维,从而在减少特征冗余、降低数据量的同时挖掘出更具地物区分能力的低维特征。实验验证了GRPCA算法用于极化SAR图像特征挖掘的有效性。2.研究了基于Wishart-广义伽马（Wishart-generalized Gamma,WGΓ）分布的极化SAR数据乘性统计模型,针对极化数据模型纹理分量参数的稳健精确估计问题,提出了基于最大似然-对数累积量（Maximum Likelihood and Logarithmic Cumulants,ML-LC）的WGΓ参数估计方法。ML-LC方法基于梅林变换构建与尺度参数无关的形状参数方程,并利用二分法和最大似然法进行求解,实现极化SAR数据纹理分量的精确估计,从而提高WGΓ极化SAR数据乘性统计模型的准确性和普适性。数据拟合度实验证明了ML-LC方法估计广义伽马分布（Generalized Gamma Distribution,GΓD）参数的普适性和准确性,基于最大似然方法的实测极化SAR数据分类验证了WGΓ统计模型用于极化SAR图像分类的有效性。3.提出了基于SCRF-GRPCA模型的极化SAR图像分类方法,更为全面地捕获极化SAR图像信息以提高分类精度。主要工作包括:1)在条件随机场框架下,利用第三章提出的GRPCA特征挖掘算法,提取地物强区分性特征并构建SCRF-GRPCA模型的一元势能函数以判定地物目标类别属性;利用第四章提出的基于ML-LC参数估计方法的WGΓ统计分布模型构建SCRF-GRPCA似然函数;2)在条件随机场框架下将极化SAR图像的空域结构信息、GRPCA算法挖掘的极化特征信息以及基于WG（38）分布的散射统计信息相结合,提升了SCRF-GRPCA模型对地物目标的判别能力,实现了极化SAR图像精确分类。实验验证了SCRF-GRPCA模型处理极化SAR图像分类的有效性和准确性。