极化SAR图像上包含有大量可应用于目标的检测、分类和识别等领域上的信息,而这些信息须要通过极化SAR图像的极化特征才能被收集与应用。随着极化SAR理论和极化SAR系统的快速发展,大量极化特征得以发现和收集。由于每一个极化特征只是简单的描述了目标某一方面的散射特征,因而无法较好的区分拥有相似散射特征的不同种类型目标或是具有不同散射特征的同一种类型目标。因此,需进行多种极化特征相结合,才能更好的对目标进行分类和识别。虽然利用多种极化特征可以收集到目标更多的有用信息,但是同时也会加入大量的冗余信息,这不仅会大大的提高了算法的计算复杂度而且还会降低了实验最后的分类精度。同时,由于极化SAR图像存在着大量相干斑噪声,因此通过极化SAR图像获得的极化特征会残存着大量的噪声,若直接将这些极化特征应用于分类当中会获得较差的分类结果。而现有的基于张量分解的独立成分分析方法(Tensorial Independent Component Analysis,TICA)是一种通过结合多种极化特征进行极化SAR图像分类的算法,因而必然须面对这些弊端。针对上述问题,本文将对现有方法TICA进行相应的改进以求获得更好的极化SAR图像分类效果,其主要内容如下:(1)提出一种利用加权核范数最小化方法(Weighted Nuclear Norm Minimization,WNNM)对现有算法TICA进行改进的极化SAR图像分类算法。改进算法通过采用加权核范数最小化方法对现有算法TICA的输入数据进行了预处理来对现有算法TICA进行改善。由最终的分类结果可知该改进方法能有效的提高了极化SAR图像的分类精度。(2)提出一种对现有算法TICA中的快速独立成分分析(Fast Independent Component Analysis,FastICA)进行改进的极化SAR图像分类算法。在该改进算法中,通过改进现有算法TICA中的快速独立成分分析来去除由于多种极化特征累积而形成的数据冗余。由最终的分类结果可知该改进算法能有效的提升了极化SAR图像分类效果。(3)根据前两种改进算法的优点,提出一种新的TICA改进算法。也即是说,同时利用加权核范数最小化和改进快速独立成分分析对TICA算法进行改进。由最终的实验结果可知,该改进算法更适合于极化SAR图像分类当中。