图像分类是模式识别领域中的最为重要的研究内容之一，而纹理是SAR图像的重要信息与基本特征，它作为一种广泛存在的图像模式，自然成为SAR图像分类的重要研究课题。近年来，由于压缩感知技术的提出以及迅速发展，在若干应用领域都引起瞩目，成为极为热门的研究前沿。在这种形势下，怎样将压缩感知的先进技术应用到SAR图像纹理分类领域上来，自然引起我们的极大关注和深刻探索。本文围绕纹理分类和压缩感知技术理论展开了深入研究，针对SAR图像特点，提出了以随机投影中的观测向量差作为特征向量进行纹理分类的方法，另外，在研究局部特征分布的图像分类算法中，成功地将Signature（签名或簇集）框架应用到压缩感知图像分类技术上，取得了一定的研究成果。本文的主要工作和研究成果如下：1.提出了一种基于观测向量差的纹理分类方法。算法中，首先根据纹理分类与压缩感知技术的各自特点，提出将观测向量差作为最终纹理分类的特征向量的技术。其次，算法采用“词袋”（bag of words）模型来给训练图像和测试图像建模，对比训练模板和测试模板就可以得到最终的分类率。实验结果表明，本文算法比传统的滤波器组分类方法和直接用观测向量做特征向量的方法拥有绝对优势，且具有更强的鲁棒性。2.提出了一种基于Signature/EMD框架的压缩感知纹理分类方法。算法中，首先，利用Signature局部特征分布表示方法，将聚类中心及其相应的权值信息有效结合在一个签名中，增加了图像分类更多的判定信息。其次，利用陆地运动距离（Earth Mover’s Distance，EMD）来度量图像间的相似性。实验结果表明本算法和原有算法相比，采样率越低，聚类个数越少反而精度越高，建模的时间复杂度远低于原有方法。3.提出了一种基于zigzag扫描方式的观测向量提取方法。基于压缩感知的纹理分类方法首先需要将一幅图像转换成一个一维向量。通常做法是直接对图像的列向量首尾相接，拉成一条长列向量。这样的连接方式显然打乱了图像块的横向信息。为了改进这一缺陷，本算法采用zigzag扫描方式，与原有方法相比，减少了邻域的平均间隔距离，从而保证了提取的观测向量保持了更多的原始图像信息，利于提高分类率。实验证明了这种扫描方式的有效性。同时也说明，在图像转换成一维信号过程中，不同的扫描方式确实能够影响最后的分类结果。在这个问题上，本章做了一次较为成功地尝试。