合成孔径雷达（Synthetic Aperture Radar,SAR）是一种全天时、全天候的遥感信息获取设备,与单极化SAR相比,全极化SAR（PolSAR）能获得更丰富的目标极化信息,因此的地物分类的领域获得了广泛应用。近年来,我国国产星载和机载全极化SAR已经投入运行,已获取了部分地区的实验数据,基于国产极化SAR数据的地物分类将在我国测绘和国土资源调查领域发挥重要作用。为了检验国产极化SAR数据在地物分类方面的有效性,本文开展了基于国产星载和机载全极化SAR数据的地物分类研究,本文主要研究内容如下:首先,利用Freeman、Yamaguchi、VanZyl等经典目标极化分解方法提取国产全极化SAR数据的极化特征,通过对比发现不同极化分解方法可以获取不同类型目标的明显特征,但单一极化分解方法无法获取所有类型目标的明显特征。其次,尝试采用H-α、wishart-H-α等经典无监督分类和支持向量机等经典监督分类方法对国产全极化数据进行处理,通过白湖农场数据分别进行了实例验证和结果分析,但效果并不理想,存在较明显的错分或漏分现象。再次,考虑到输入分类器异质特征量越多,分类精度越高的原则,将多种极化分解方法得到的极化特征输入同一分类器,但这将导致分类训练的计算负担过重。本文利用小波变换（Wavelet Transform,WT）和主成分分析（Principal Components Analysis,PCA）两种技术实现极化特征图像的高效融合,不仅可抑制图像噪声,而且在获取有效极化信息的同时降低了分类输入集的维度,减轻了马尔科夫聚类分割过程的计算负担。最后,本文将深度学习引入到国产全极化SAR地物分类中。为了进一步剔除不同极化分解得到的重复和冗余特征,提出了一种改进型小波变换,将同一分解机制下全部极化信息重构得到一个特征图,以抑制噪声和降低特征维度。再通过PCA方法处理进一步降低特征维度,最后输入到深度学习Deeplabv3+网络框架进行训练完成目标分类,在减少训练计算量的同时,取得了较好的分类精度。综上所述,本文基于国产全极化遥感影像数据,通过目标极化分解提取不同的特征信息,并利用不同的方法进行地物目标分类,对分类结果进行精度分析,验证了国产全极化SAR数据在地物分类方面的有效性。