在合成孔径雷达(SAR)图像中区分溢油和类油现象是溢油SAR探测的关键任务。实现该任务一般可分为3步:首先是提取油膜和类油膜的特征;然后筛选出有助于油膜和类油膜分类的关键特征;最后构造有效的分类器进行模式识别以便做出准确的判别。本文基于2011年蓬莱19-3油田溢油事故期间的15景SAR图像提取了138个油膜和类油膜样本的几何特征、背景特征、散射特征和纹理特征,将Fisher判别率和序列前向选择方法相结合,筛选出背景后向散射系数标准差、逆差距、能量和后向散射系数的均值四个关键特征组成的特征子集。在此基础上,为提高分类器的精度,将决策树模型CART算法与Bagging技术相结合,通过随机抽样给出多个维数相同大小的训练数据集从而建立多个决策树模型,以投票的方式对油膜和类油膜样本进行分类;最后,文中采用了五折和十折交叉验证方法对油膜和类油膜的分类结果进行评估,研究显示基于Bagging的决策树方法的油膜和类油膜分类的平均精度在85%以上,且将文中所用基于Bagging的CART决策树分类算法与经典CART决策树分类算法及神经网络分类算法相比较,发现本文所用方法的分类精度较高,从而表明了该方法在溢油SAR探测方面的可行性。