极化合成孔径雷达(PolSAR)是一种多通道、多参数、高分辨率的相干成像遥感设备,使用矢量测量方法记录不同极化方式下的散射回波信号,获取丰富的地物目标信息,实现对地物目标更为全面的描述。随着世界各国对PolSAR系统的投入,具有全极化测量和高分辨能力的雷达迅速崛起,极大扩展了雷达的探测功能和应用范围,掀起了PolSAR技术的研究与应用热潮。PolSAR数据的理解与解译有许多任务,包括Pol SAR数据的降斑、分类、检测、识别等,其中PolSAR图像的分类结果可以直接用作土地覆盖类型图,也可作为图像解译的一个中间环节,在地球资源普查、洪涝灾害监测、植被种类判别、海面船只检测、地物特性分析等诸多领域有着广泛的应用。又由于PolSAR数据体量大、训练样本少、存在相干斑噪声等特点,PolSAR图像的分类是一项重要又极具挑战的问题,也是当前遥感领域的一个研究热点。本论文以PolSAR图像为研究对象,从提高效率、降低存储、提高分类精度、增加空间一致性、降低对标记样本的依赖性等方面出发,结合大间隔分类准则、极化信息、空间信息,设计新型、高效、智能的大间隔学习分类器,其中大间隔准则保证了分类器的鲁棒性。论文的研究成果如下:1.最小二乘支撑矢量机(LS-SVM)是一种传统的大间隔分类器,通过求解线性规划问题获得较高的分类准确率,但是该模型丢失了支撑矢量系数的稀疏性,无法高效地对大规模数据进行分类。针对此问题,提出了一种基于压缩感知和LS-SVM的分类器,获得了紧凑而又简洁的模型表示,大大减小了优化问题的规模,得到了支撑矢量系数的稀疏解,实现了对大规模分类问题的快速训练与测试。具体而言,设计了一个与数据耦合的测量矩阵,进而构造了一个压缩字典,并证明了该压缩字典以高概率满足限制等距性质(RIP),理论分析并实验验证了设计的稀疏大间隔分类器的有效性。2.考虑到PolSAR数据服从Wishart分布,并且数据中存在大量的相干斑噪声,提出了一种基于判别式测量矩阵和Wishart空间核的大间隔学习分类器。首先基于极化信息和空间信息,提出Wishart空间核来描述Pol SAR数据,减少相干斑噪声对分类结果的影响,并增强空间一致性。然后受线性判别分析思想的启发,设计了一个判别式测量矩阵,减小了类内距离,增大了类间距离,对数据进行压缩测量时,保证了对分类相关信息的最大化保留,对分类不相关信息的压缩。最后由判别式测量矩阵和Wishart空间核构造了一个判别式的压缩字典,提出了一种一步式剪枝的LS-SVM算法,获得了一种稀疏的PolSAR图像的大间隔分类器。3.考虑到LS-SVM模型本质上只能解决两分类问题,为了直接解决多分类问题,提出了一种基于加权Wishart距离学习的大间隔PolSAR图像分类器。该分类器使用k-NN决策准则替换LS-SVM中的线性决策准则,同时是一种点对的训练样本输入模型,利用样本相似与否的信息构造类标进行训练。而样本的相似性是一种更容易获取的信息,和标准的有监督算法对样本类标的完全依赖相比,该分类器变成了对样本相似性的依赖。除此之外,该模型还有两个特点,其中之一是“加权”,通过自适应的窗口划分方法获得权值,窗口的形状与大小都是自适应的,更高程度上保证了窗口内样本的同质性,这样同一个自适应窗口内的样本可以进行加权平均,从而降低相干斑噪声的影响,提高区域一致性。第二个特点是Wishart距离学习,通过“学习”增强Wishart距离的判别性,使得同类样本间的距离更小,异类样本间的距离更大,模型通过求解一个线性规划问题得到有效求解。4.针对人工标定样本代价大的问题,提出了一种自监督的分类器,其中自监督的思想是指首先自动获取训练样本,然后结合有监督的方法进行分类。自监督分类器结合了有监督和无监督算法的优点,使得有监督的分类方法可以在一个完全自动的框架下进行,既能保持有监督方法较高的分类精度,也能脱离对人工标定样本的依赖,实现自动分类。在自动的样本类标的获取方面,根据提取样本的可信度,产生每一类的候选样本。然后结合极化信息等先验知识,在候选样本中选择训练样本。最后根据候选类标和有监督的分类结果提出了一种简单易行的纠错策略,从而得到一幅更鲁棒的分类结果图。