合成孔径雷达（SAR）是一种主动传感器，在运行中不受天气光照等外界条件所限制，可以从机载或空载平台中获取高质量的遥感图像。雷达回波能够检测目标的物理散射信息，被广泛的应用于军事民用领域。其中多通道的SAR称为极化合成孔径雷达（PolSAR）,利用交替发射和接收雷达信号获取更为丰富的目标散射信息，相比于单通道的SAR能获取更强的感知能力和更丰富的地物特性。本文针对SAR图像地物分类问题，利用稀疏表示的方法构造分类器，对不同场景的地物进行细致分类。并且从极化散射数据，极化目标分解，极化图像等模态挖掘极化SAR特征，结合稀疏表示和流形学习的方法对数据的本质特性进行了挖掘。进一步对极化SAR的特征提取，特征融合，无监督分类等问题展开了相应的研究，创新点如下。　　（1 ）针对 SAR 图像地物分类问题提出了一种多层级的稀疏表示分类方法（HSRC）。为精确的描述SAR图像复杂的地物特性，其中每一层级分类器中代表像素的特征利用 GLCM 和灰度直方图从不同大小的尺寸块中提取，大尺寸块获取粗糙的纹理和匀质区域特征，小尺寸块获取边缘和细致纹理特征。引入双阈值条件到稀疏表示分类器中判断样本的重构残差，如果残差在阈值准则内则认为其为可信赖样本点直接输出，如果不在阈值准则内，则认为其为不可信赖样本点在下一层继续进行分类直到输出最终结果。每一层的字典由上一层的可信赖样本构建，这种多层级的稀疏表示方法能够有效合理利用每一层的简单特征对地物进行逐层的分类。与固定尺寸块特征的稀疏分类方法和SVM算法进行比对，HSRC算法能获得更好的量化结果和可视化效果。　　（2）研究了一种新型的极化SAR图像无监督地物分类方法。此方法联合了三种极化特征包括,极化散射特征（相干矩阵观测数据），极化分解特征（Krogager，Freeman，Yamaguchi，Neumann，H/A/α分解特征），和极化图像特征（灰度共生矩阵特征）全面的表征极化数据特性。提出了一种基于 SRW 距离流形正则的低秩表示模型（SRWM_LRR）进行深层极化数据挖掘。低秩表示用于获取极化数据的全局结构，流形正则项用于获取数据的局部流形结构，其中引入SRW对不同像素点的局部几何结构进行度量。这种算法考虑到了极化数据特定的统计特性，并且同时集合了多种特征的几何结构去表征样本点从而获取最优的分类结果。算法的实用性和有效性通过星载和机载 SAR 系统数据进行检验，包括广泛应用于地物分类的 Flevoland 数据集（AIRSAR，L波段），西安西部数据集（RADARSAT-2，C波段）。与传统的Wishart分类器，基于欧式距离和SRW距离的谱聚类算法，低秩表示算法相比，呈现出了较好的分类结果。　　（3）研究了一种极化SAR数据多模态特征融合方法。众所周知，现在已经有大量的极化特征应用于极化图像地物分类任务中。迫切的需要一种特征融合方法处理复杂的数据特征。为解决这一问题，这一部分提出了基于多模态稀疏表示（MSR）框架的算法融合来自多观测空间的复杂特征向量。针对上部分所提出的三种不同模态的特征，引入多模态的流形正则项到MSR框架中估计数据结构。在不同模态数据间独立性和相关性的约束下获取本征的仿射矩阵，并通过局部保持映射算法将多模态数据特征投影到低维的本征特征空间中进行最终的分类。此方法的有效性和实用性通过三类数据集证明，C波段的RADARSAT-2西安西部和Flevoland数据集，以及旧金山数据集。　　（4）首次利用了子空间聚类方法对极化数据特征提取进行了探究。本部分提出了新颖的子空间聚类方式处理极化图像分类问题，分析在不同约束下的降维数据和子空间聚类算法效果。利用PolSARpro5.0软件获取全面的极化数据特征，包括（Freeman，Yamaguchi，Van Zyl，Neumann）的散射功率，以及Touzi和H/A/α分解中的各种物理参量。同时利用稀疏，低秩，多种流形和其不同的组合进行约束，计算出相应的投影矩阵和相似性矩阵对极化数据降维，其中稀疏项为获取来自同一子空间的较少的数据，低秩项获取数据全局结构，流形项获取局部结构。该算法的目的是选取样本空间中来自不同子空间的样本数据组，检验了在不同约束下极化数据的子空间聚类的效果，实验表明子空间聚类相关算法对极化数据具的有效性。