合成孔径雷达(SAR)图像分类是SAR图像解译的关键技术之一。快速、准确的SAR图像分类是实现各种实际应用的前提。根据我国SAR系统的发展现状和SAR信息处理技术的应用需求,本文主要针对极化SAR数据进行了分类方法的研究。美国在整个SAR图像解译领域处于国际领先水平。其它一些国家,例如加拿大、德国和日本等也都进行了SAR图像解译的研究。我国的SAR信息处理技术基本上还停留在SAR图像解译的初级阶段。在实际的SAR图像分类应用中,我们关于类别的先验知识非常少,极化信息的利用也不充分。另外,许多分类错误是由SAR图像的像素点类别混淆和相干斑噪声干扰引起的。为了得到更快速、更准确的分类结果,本文围绕预处理、分类器的选择和特征提取等问题研究了一些非监督分类方法。我们采用SIR-C/X极化SAR数据来说明这些方法的有效性。我们首先研究了基于模糊集理论的非监督分类方法。该方法是原始SAR数据极化信息的利用和基于模糊集理论的非监督分类方法的结合。我们使用图像量化和图像增强技术对原始SAR数据进行预处理;在特征空间中利用极化信息、使用模糊c均值(FCM)算法对预处理后的SAR图像进行分类。我们接着研究了基于极化分解的非监督分类方法。该方法是极化分解和基于模糊集理论的非监督分类方法的结合。我们使用极化分解对原始极化SAR数据进行特征提取;对提取出的极化分量进行指数量化;使用FCM算法对量化后的极化分量图像进行分类。最后,我们研究了基于独立分量分析(ICA)的非监督分类方法。该方法是ICA和基于模糊集理论的非监督分类方法的结合。我们使用ICA对原始极化SAR数据进行特征提取;对提取出的独立分量进行指数量化;使用FCM算法对量化后的独立分量图像进行分类。实验表明,以上非监督分类发法可实现对极化SAR图像的自动分类,并且分类准确性高、收敛速度快、稳定性高。基于模糊集理论的非监督分类方法能够补偿像素点的类别混淆问题。基于极化分解的非监督分类方法能够更准确地