极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)可对地面或者空间的目标进行探测,具有全天候、全天时、高精度、高效率等特点,能够发射和接受多种不同组合的极化电磁波,因此所探测到的目标具有非常丰富的极化信息,有利于后续的数据分析工作。图像理解与解译包含很多任务,例如目标识别、变换检测、降噪和图像分类等等。其中极化SAR图像分类是极化SAR图像理解与解译中非常重要的应用之一,也是地物识别的基础。分类的结果可以作为最终结果输出给用户提供重要的目标信息,也可以作为中间结果,为后续目标识别、边缘检测等工作提供有用的图像信息。但是,由于极化SAR图像具有较难得到用于分类的判别性特征、数据规模巨大、有标签的训练样本过少以及相干斑噪声严重等缺点,给分类工作带来了不小的困难。本论文以极化SAR数据为研究对象,针对极化SAR图像分类任务中存在的较难得到适合分类的特征、含噪样本较多且有标签的样本较少等难点以及极化SAR数据的特性,设计了一系列结合判别性特征的新颖、鲁棒、智能的分类器,在本文中的研究成果如下:1.考虑到极化SAR图像较难同时获得光滑的区域和清晰的边缘,设计了一个基于高概率选择和自适应MRF(Markov Random Field,MRF)的分类框架。SVM(Support Vector Machine,SVM)分类器是一个具有判别性的传统分类器,但是该分类器并没有考虑极化SAR图像的空间信息。针对此问题,在所设计的分类框架中利用Wishart距离来增强概率输出SVM分类器的判别性,与此同时,利用自适应窗口的MRF来对图像的同质区域进行平滑操作。经过大量的实验验证,这款分类器可以同时得到更清晰的边缘和更平滑的同质区域,并提高了分类精度。2.针对极化SAR图像有标记样本不足的问题,提出了基于稀疏自编码器(Sparse Autoencoder,SAE)和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类方法。SAE是一个端对端的特征分类器学习框架,学习的过程是受分类指导的,它可以无监督的自动逐层学习到有利于分类的判别性特征,然后用少量的样本进行微调,以此来减少对样本数量的需求。接下来,用边缘保持的MRF来减轻相干斑噪声,并且弥补SAE分类结果的不确定性和模糊性。并且同时提出了一个纠错策略来对MRF分错的像素进行纠正。此分类框架包括两层,第一层由基于像素的稀疏自编码器得到初始的分类结果,并同时为改善边缘处的分类效果提供丰富的信息。第二层的设计基于极化SAR空间信息,用MRF纠正第一层的分类结果。其有效性在不同的极化SAR数据上得到了验证。3.针对两阶段分类器的分类效果在很大程度上依赖于第一阶段的分类结果这一弊端,提出了一个判别式的分类模型。该分类模型在间隔最大化的框架下重新设计了适合极化SAR图像分类的特征函数。该特征函数包括两个部分:散射项和空间项。其中散射项用了经典的SVM算法,此算法可以有效的学习间隔最大化框架的决策边界,并且在训练样本有限的情况下,能够有效提升极化SAR图像的分类准确率。在空间项应用了条件随机场来将上下文信息融合在观测域和标签域中,并用Wishart分布来描述极化SAR图像的统计特性。与两阶段分类器不同的是,本方法不是特别依赖于空间项进行纠正错误,而在分类器学习的过程中利用了空间信息。实验表明,该分类框架对极化SAR图像的分类可以获得较高的分类精度和较清晰的分类图像。4.考虑到极化SAR数据训练样本较少且受相干斑的影响较大,使得分类器的学习性能受到影响。提出一种递归卷积神经网络(Convolutional Neural Network,CNN)模型,将每一次分类结果中具有高置信度的分类结果的样本加入到训练样本中,再对整个模型进行训练,得到一个半监督的极化SAR图像分类模型,该模型脱离了有监督分类对人工标定样本的依赖。此外,该模型是基于判别性特征学习的端对端的分类框架,在CNN进行卷积操作时自动的学习到极化SAR图像的空间纹理特征,并且试图从高置信度的样本中学习到有利于分类的特征。该模型有三点好处:首先通过从每一次迭代分类结果中不断地增加训练样本,从而解决小样本问题;其次每一次迭代过程中去掉了低置信度的样本而减少噪声样本对模型鲁棒性的影响;最后,每一次迭代过程中CNN参数的初始化都用上一次学习的结果,从而参数的设置会越来越鲁棒,使得整个模型不会因为随机初始化而降低性能。