极化合成孔径雷达（Synthetic Aperture Radar,SAR）通过主动发射、接收特定的电磁波来获取地物信息,成像不受时间、天气等因素影响。极化SAR图像分类在自然灾害分析、城市规划等军、民领域均有着广泛的应用。随着极化SAR系统的研究与应用,高分辨、多极化SAR图像带来了更丰富的地物信息和更复杂的图像场景,极化SAR数据量也随着极化SAR系统的普及而日益增多。虽然更丰富的极化信息与数据量给极化SAR的解译带来积极作用,但也对解译方法提出了新的挑战。这要求极化SAR数据的特征表示方法能提取多类信息并进行高效融合,此外,也要求分类器在少量有标签和大量无标签数据的情况下进行有效分类。本文在分析上述问题的基础上,以充分利用极化信息与空间信息为出发点,提出了多种适用于极化SAR图像的特征表示与目标分类方法。论文的主要研究工作如下:（1）针对极化特征与空间特征融合问题,提出了一种基于极化-空间特征的复合核函数方法。该方法首先通过多种极化目标分解与数学形态学方法提取一系列极化特征和空间特征,在此基础上根据核函数空间映射性质及Mercer定理,利用权重系数建立两类特征间的主次关系。该方法既弥补了单一特征的缺陷,又挖掘了两类特征间的互补信息,实现了极化特征与空间特征的有效融合。（2）针对非均匀地物空间信息利用问题,提出了一种基于区域特性的多尺度核函数方法。该方法首先根据极化数据的分布特性研究基于Wishart分布的超像素生成算法,将图像划分为由粗到细不同尺度的超像素,在此基础上提取每一尺度下的极化特征并通过多尺度核函数策略整合不同尺度下的极化特征。该方法突破了目标尺度对特征提取的限制,有效地聚合了不同尺度空间下的极化特征。（3）针对联合极化特征间特征冗余问题,提出了一种基于深度学习的联合极化特征挖掘方法。该方法通过一系列基于观测数据的算数变换和目标分解方法构建联合极化特征,在此基础上利用卷积神经网络作为联合极化特征挖掘网络。该方法不仅利用了现有极化特征提取方法对极化数据进行解译,并且避免了高维极化特征冗余的问题,实现了极化信息的深度挖掘,提高了分类的准确性。（4）针对海量无标签数据未有效利用问题,提出了一种自适应锚点图的半监督学习方法。该方法利用极化数据的分布特性推导出Wishart距离度量公式,在此基础上计算样本的局部稠密程度,确定每一样本最佳的最近邻锚点个数,并依据最佳锚点对图像建图。该方法使每一样本灵活地选择其最近邻锚点数,突破了对图像、样本类别及所在数据密度的限制,实现了无标签数据的充分利用。本文所提出的方法已通过真实极化SAR数据验证,结果表明,这些方法可以有效解决极化SAR图像特征表示和目标分类中的主要问题,实现高准确率的地物分类。