在极化合成孔径雷达(Polarimetric Synthetic Aperture Radar)的众多应用中,极化SAR(Synthetic Aperture Radar)图像分类就是其中最重要的应用之一。很多传统的极化SAR图像分类方法都是基于像素的,尽管基于像素的分类方法得到了不错的分类效果,但是它们仍然存在一些缺点。主要的缺点是它们只是使用了极化SAR的数据信息,而没有利用图像的空间信息,这可能将导致得不到令人满意的分类结果,特别是对高分率图像进行分类时。本文主要研究基于空间信息的极化SAR图像分类方法,在将半监督分类方法和聚类算法应用于极化SAR图像分类时将空间信息加入到分类过程中。主要可以概括为以下三个方面:1.提出一种基于多层特征学习和空间信息的极化SAR图像半监督分类方法。考虑的是每类只有一个原始标记样本的极端情况,并采用的是self-training的半监督分类方式,基分类器采用的能学习多层特征的栈式稀疏自编码器和softmax分类器构成的分类框架。该方法在将未标记样本选取为训练样本时考虑了空间信息。在考虑了空间信息之后,极化SAR图像的分类效果更好,正确率更高。2.由于上一个方法只在选取训练样本时考虑了空间信息,在分类的时候并没有对空间信息进行考虑,所以提出一种基于最小生成森林的极化SAR图像分类方法。本方法根据上一个方法的分类结果来进行种子点的选取。最小生成森林是由以这些种子点为根的树构成的生成森林中权值和最小的。在同一棵树上的像素点是属于同一类的,具有与根相同的类标。本方法的分类效果要比上一个方法的分类效果好,同时正确率也得到了提高。3.提出了一种基于快速密度峰值寻找与发现的极化SAR图像分类方法。该方法首先用Turbopixel算法对极化SAR图像的Pauli分解得到的伪彩色图进行分割获得超像素,然后计算每个超像素与其他所有超像素之间的Wishart距离。再将计算得到的距离输入到快速密度峰值寻找与发现的聚类算法中去,得到分类结果和类别数。在聚类分类结束后,再进行一些后处理,使一些超像素的类别为0。然后让每个超像素块中的所有像素点共享这个超像素块的类别,即每个超像素块中的所有像素点与这个超像素块的类别一致。最后对类别为0的像素点用监督Wishart方法进行重新分类。该方法具有较高的分类精度,能够自适应获得类别数。