合成孔径雷达(Synthetic aperture radar,SAR)是一种高分辨率的微波成像雷达,具有全天时、全天候工作,有效地识别伪装等优势,已广泛应用于农业、军事和海洋等领域,有着广阔的应用前景和发展潜力。SAR图像中通常包含有多种地物目标的信息,如何有效的对图像中各类目标进行准确分割,对SAR图像的解译具有重要意义。SAR图像分割是SAR图像解译的重要组成部分,也是当前SAR遥感领域研究的热点与难点。由于SAR的成像机理决定了SAR图像中不可避免的引入大量乘性斑点噪声,基于光学图像的分割方法在SAR图像上很难取得良好结果。近年来,随机场模型理论的发展,为SAR图像的分割开辟了一条新的路径。本文就如何获得有效和高效的SAR分割结果做了研究,提出了基于超像素级条件三场(Superpixel-level conditional triplet Markov field,SL-CTMF)的SAR图像快速分割方法,主要的工作和贡献如下:1.条件随机场(Conditional random field,CRF)可以直接对图像后验进行建模,但对SAR图像的建模缺少有效的训练数据和训练机制,所以CRF在SAR图像分割上的应用受到限制。三重马尔可夫随机场(Triplet Markov random field,TMF)引入了辅助U场来有效描述SAR图像的非平稳性,较好抑制了乘性斑点噪声对SAR图像分割所带来的影响,取得了良好的分割结果,但TMF建模复杂,并且不能充分利用观测数据的相关性。2.CRF直接对后验概率进行建模的思想,正好解决了TMF模型存在的缺点,并因此产生了像素级条件三场(Pixel-level conditional triplet Markov field,PL-CTMF)模型。该模型充分结合了CRF和TMF的优势:直接对X场的后验概率进行建模、并通过U场的引入来描述图像的非平稳性,简化了SAR图像的建模方法,提高了SAR图像的分割效果。3.在有效和高效的SAR分割上,PL-CTMF模型中不管像素的特征与其周围邻域点的特征有多么相似,它依然需要计算每一个点的分类概率,低效率和高冗余是不可避免的,所以本文就提出了SL-CTMF模型用于SAR图像的快速分割。首先,针对SAR图像,我们对TurboPixels算法进行了改进,使它能够获取一个边缘定位准确的超像素SAR图像;在超像素级的SAR图像上,重新构建了辅助场U来描述SAR图像的非平稳性,SL-CTMF的一元和二元势能通过超像素级的特征和纹理信息得以重建。由于SL-CTMF正是对超像素进行标记的,且每个超像素的特征都是超像素内所有像素点特征的综合特征,所以算法的效率和分割结果的区域一致性都会得到有效提升。最后,结合最大后验边缘(Maximum posterior marginal,MPM)方法将SL-CTMF应用于无监督SAR图像的快速分割,在分割效果与PL-CTMF类似或略微好一些的前提下,SL-CTMF极大的缩短了算法的运行时间,达到了PL-CTMF的1/4到1/6。