极化SAR图像的分类是遥感图像处理中的一个重要组成部分，也是当下研究热点之一。同时，由于极化SAR图像本身的数据特点对图像的深层次解译和分析提供了更多的依据，因此和普通的遥感图像相比，更具有研究价值。本文以极化合成孔径雷达的成像理论和数据特点作为理论基础，讨论了在极化SAR图像特有的极化特征下如何达到更好的分类效果和精度，提出了一些改进性方法。在基础理论方面，论文着重介绍了极化SAR图像数据的表征方式，和主要极化散射机制。在不同的数据表达方式基础上，研究了极化SAR图像特有的极化分解方式，由此得到了能反映一定散射机理的分解特征，是后续进行分类的重要基础。在极化SAR图像分类技术方面，本文对当前主流的分类方法进行了介绍，并对分类效果进行对比讨论。包括基于Cloude分解的H α分类方法，基于Wishart分布的极化SAR图像聚类和基于支持向量机的极化SAR分类方法。在基于SVM分类的算法方面，对比了各种极化分解的特征对于类型地物分类的效果。为了改进SVM的分类效果，引入区域统计合并的方法，对其进行预分割处理，再基于区域进行SVM分类，得到了不错的改进效果。为了利用极化SAR图像丰富的极化特征，本文将粒度领域的商空间理论引入到极化SAR分类中。结合不同特征进行SVM分类，构造出不同的商空间。再对同一个粒度上商空间进行合成，以获得更细粒度的表达。在合成规则方面，讨论了不同判决准则对合成结果的影响。和单分类器结果和简单的线性融合结果相比，该算法在目视分类图和精度统计上都对分类准确率都有较明显的提升，证明了这种改进算法的有效性。