极化合成孔径雷达(Synthetic Aperture Radar，简称SAR)以多个极化通道的方式探测地表目标的电磁极化散射特性，获取目标的多维特征以揭示目标的特性。极化SAR图像分类是遥感应用中重要的研究问题。通常，极化SAR图像根据目标物理散射特性分类或者根据统计特性分类。由于地表目标的复杂性和相干波的影响，存在分类精度问题。为此，本文提出了基于投影寻踪和混合Wishart模型的统计方法与散射特性相融合的极化SAR图像分类新方法，其主要内容是：(1)给出投影寻踪中Cook族投影指标的小波估计，证明了该估计的渐近无偏性及均方收敛性。该估计能精确地估计投影指标，且还避免了逼近投影指标的正交多项式阶的选择和核估计带宽的选择难题，为投影寻踪的实现提供了新的工具。(2)给出了Cook族投影指标的bootstrap估计，证明了该估计的强相合性，并以此为基础，给出基于Bootstrap样本的拟最佳投影方向和样本选取准则，为投影寻踪的快速实现提供了理论基础。(3)提出了序列投影寻踪聚类模型及其相应的极化SAR图像无监督分类方法。该方法利用目标的极化散射特性，逐次投影数据到最佳投影方向实现分类。与现在广泛应用的基于散射特性的分类方法不同，该方法可同时利用目标的多个极化散射特性进行分类。实验结果表明，由bootstrap样本选取准则，该方法只需要较少的样本就可寻找到逆最佳投影方向，实现极化SAR图像的快速分类；与直接采用极化散射特性的方法相比，极大改进了分类效果。(4)提出了投影寻踪子波学习网络。给出基于该网络的光学图像的无监督恢复方法，避免了光学图像恢复中求点扩展函数这一难点。给出基于该网络的极化SAR图像分类方法，和美国海军研究实验室Lee提出的Wishart方法相比，该方法避免了对极化SAR数据进行滤波预处理的这一步骤。实验结果表明，该方法在相同条件下对于复杂地形区域的分类具有较好的分类效果。(5)提出了混合Wishart模型及其相应的多视极化SAR数据的无监督分类方法。该方法无需知道极化SAR图像中各类的先验信息就可分类图像。实验结果表明，该方法对于具有大面积匀质区域的分类结果明显优于Wishart分类方法。(6)综合比较典型的极化SAR图像分类方法和本文提出的序列投影寻踪聚类模型、投影寻踪子波学习网络和混合Wishart模型三种分类方法。给出了本文三种分类方法的优缺点以及适用性。