SAR(synthetic aperture radar,合成孔径雷达)以其全天候、全天时的成像特点,在水体信息提取、尤其是洪涝灾害信息的提取和监测中发挥着重要作用。遥感影像水体提取过程实质上是对图像做分割、对像元做分类的过程。在根据某些属性对像元分类时,可能存在将某些与水体像元散射特征或是光谱特征相似,但实际上不是水体的像元错分为水体的现象,使得像元分类结果存在不确定性。当数据的分辨率不高时,影像中某些像元反映的实际区域可能同时包含了多种地物,在分类上存在着不确定性。此外,灰度值分割中阈值的选取同样会造成分类结果的不确定性。显然,二值水体分布图式的水体提取结果无法反映上述不确定性。水体概率以[0,1]区间上连续值的形式,表示像元属于水体的概率,能够定量反映SAR影像中水体像元分类存在的不确定性。水体概率估计方法基于贝叶斯推断和SAR影像后向散射系数统计分布假设,根据后向散射系数值计算水体的概率分布图。与常规水体提取方法得到二值水体分布图形式的结果不同,水体分布概率估计方法得到的是信息量更丰富的概率图,充分描述了影像中水体像元的分布信息。水体概率图可以用索引图的形式将水体概率值映射为不同颜色、进而直观表示水体像元的分布,也可以通过阈值分割退化为二值水体提取结果,还可以应用于水位估计、水动力学模型校准等场景。本文针对水体概率估计中水体分布先验概率估计不充分的问题,从先验概率估计方法和后向散射系数分布参数估计流程两方面进行创新。使用k-means聚类估计先验概率,并优化了后续的参数估计步骤,改进了水体概率估计方法。在水体概率估计方法中,先验概率估计的偏差会带来模型对地物后向散射系数分布规律描述的偏差,进而影响水体概率估计精度。实验结果表明,水体概率估计精度与先验概率偏差呈正相关关系。本文方法由于对先验概率估计更充分,因此,结果精度更高。同时,本文方法使用聚类结果数据初始化模型参数让参数迭代求解过程能够更快地收敛至最优值,同时也简化了人工迭代初值设置的步骤。此外,由于该方法使用的是单极化数据,因此同样适用于多时相或是多种极化方式的影像,具有很好的推广性。在水体概率估计方法流程和输出结果的基础上,本文针对GF-3影像水体自动提取自动化及业务运行需求,提出了一种自动化的级联水体提取流程。该流程分为三级,第一级利用聚类分析根据后向散射系数对SAR影像像元进行分类,得到粗粒度的水体提取结果;第二级则是在第一级的基础上估计后向散射系数分布,计算水体概率的过程。通过对水体概率图做阈值分割得到进一步细化的水体分布区域;第三级则是根据第二级的水体概率图作为初始结果,借助迭代图割(GrabCut)算法得到细粒度的水体提取结果。该流程每一级的操作都以上一级的结果为输入,通过进一步的运算得到更精确的结果,可满足不同业务中不同级别精度要求场景下水体提取需求。本文从理论和实验两方面验证了该方法的有效性。实验表明,该流程能够为湖库日常监测、洪涝灾害监测等涉水事件提供有力的支撑。后续将进一步地开展基于SAR的水体提取研究,提高GF-3卫星在水利领域的应用水平。