合成孔径雷达（Synthetic Aperture Radar,SAR）是一种相干微波遥感系统,它可以全天时、全天候地获取感兴趣区域的SAR图像数据。如今,SAR已经进入了高分辨时代。与中低分辨率SAR图像相比,高分辨率SAR图像呈现出丰富的纹理细节和清晰的几何结构,使人们有机会获取更多感兴趣区域的有用信息。然而,机遇与挑战并存,对高分辨率SAR图像进行自动解译需要引入新知识、发展新技术。在此背景下,本文瞄准高分辨率SAR图像自动解译中的地物分类问题,使用机器学习和模式识别等领域的知识,提出了多种不同的策略来提高当前高分辨率SAR图像的地物分类性能。本文的主要工作和贡献如下:1.针对常用的相干斑滤波算法会模糊和破坏高分辨SAR图像中的边缘与纹理细节的问题,提出了一种基于非局部低秩最小化模型的高分辨率SAR图像滤波算法。在交替方向乘子法优化框架之下,算法中涉及到的低秩最小化问题能够被有效的解决,并且保证收敛到局部最小值。仿真SAR图像和高分辨率实测SAR图像上的滤波实验表明,本文提出的滤波算法不仅能够充分地滤除相干斑噪声还能保持图像中的边缘和纹理细节。2.针对基于纹理特征的分类方法易产生类似于“椒盐噪声”的误分类现象的问题,从分类器的角度出发,根据核函数的性质,设计了一种合成内核。合成内核在原有纹理特征内核的基础上引入了新设计的上下文内核。该上下文内核以超像素为邻域来探索自适应的上下文信息,并且计算简单高效。高分辨率实测SAR图像上的分类结果表明,与传统的分类方法相比,基于合成内核的分类方法能够在不显著增加计算时间的情况下产生更加平滑、更加准确的分类结果。3.针对传统的纹理特征对高分辨率SAR图像中不同地物呈现出的纹理辨别能力不足的问题,提出了一种新的纹理协方差特征。考虑到纹理协方差特征属于对称正定矩阵,形成了黎曼流形,欧式空间的分类方法会忽略黎曼流形的几何结构,无法得到最优的分类结果。进一步提出了使用基于Log-Euclidean距离的高斯内核对纹理协方差特征进行分类。既然Log-Euclidean距离是黎曼流行上的测地距离,纹理协方差特征的几何结构在分类过程中得到了保持。高分辨率实测SAR图像上的分类结果证明了所提分类方法的有效性。