极化合成孔径雷达当下已成为遥感领域最先进的传感器之一。极化SAR图像的分类是极化SAR图像解译的重要研究内容。对于极化SAR图像的分类，传统的机器学习方法有监督学习和无监督学习。监督学习需要大量的标签，而制作标签耗时耗力，无监督学习的正确率比较低。半监督学习结合了监督学习和无监督学习的优点，只需少量的标签就可以取得较高的分类效果。因此半监督分类方法逐渐成为研究的热点，其中的的基于图的半监督分类是半监督的分类方法的主要方法之一。本文从时间复杂度和正确率的角度出发提出了三种基于图的极化SAR半监督分类方法。　　1.针对于一般构图方法的时间复杂度较高，分类效果不佳，本文提出了一种基于快速拍卖图的半监督极化SAR分类方法。主要思路是：首先利用超像素分割算法对图像数据进行特征加权，然后在拍卖构图的基础上进行改进，利用Nystrom逼近方法进行图矩阵估计，利用图像中的部分样本点估计所有样本点之间的相似关系图矩阵，大大缩短了构图时间。然后利用半监督中的图保持方法，对已构得的快速拍卖图中的样本点进行标签传播，将标签由已标记样本传递到无标记样本，最终实现对图像中所有样本点的分类。实验结果表明，该方法在构图上时间大大减少，且分类效果较高。　　2.为了更好的适应极化SAR数据的非线性特性，在随机森林的基础上进行改进，提出了一种基于随机森林构图的半监督极化SAR分类方法。主要思路是：在基本的随机森林算法基础上，结合两个KNN分类器，利用协同作用，将有监督的随机森林算法改进为半监督的随机森林算法。通过对比样本点在随机森林决策树中的路径来度量样本点之间的相似关系。为了减少该算法的时间复杂度，利用退火算法进行优化。实验结果表明，与传统半监督分类算法相比，该方法构得的图用于分类取得了很好的效果。　　3.在传统的基于最近邻点构图的基础上，本文提出了一种基于快速更新图的半监督极化SAR分类方法。主要思路是，先选取图像中少量的样本点构造一个近邻连接图，然后通过迭代循环将余下的样本点逐一加入到已经存在的近邻图中。加入每个样本点时，为了减少构图时间，设置一个阈值来规范每个新加入样本点的连接边的质量，直到满足了规定的数量，接着进行下一个点的加入，最终每个点都存在于图中。之后结合图像样本点的空间信息，得到一个最终的相似图矩阵。在仿真图和真实极化SAR图像上的分类实验说明，提出的算法较传统算法相比，取得了较好的分类正确率，而且时间复杂度低。