极化SAR图像非监督分类是极化SAR图像自动解译的关键步骤之一。然而,目前对极化SAR图像非监督分类方法的研究相对较少,因此极化SAR图像非监督分类方法仍面临着很多问题和挑战,一是极化SAR图像受相干斑噪声影响严重,使得分类精度较低;二是极化SAR图像中地物类别数目对非监督分类结果影响很大,而大多数极化SAR图像非监督分类方法中的地物类别数目是人为根据先验知识给定的,且目前对极化SAR图像中地物类别数目估计方法的研究较少;三是为了提高极化SAR图像的分类精度,通常从极化SAR图像中提取多种特征向量直接堆叠成一个高维的特征向量用于地物分类,这将导致部分特征向量的分类能力减弱或丧失。多视学习能够有效地结合多个不同视角数据的优点,使得多个视角数据的分类能力达到“强强联合”的效果。基于此,从极化SAR图像中提取的每种特征向量可以看作一个视角数据,从而可以将多视学习的方法引进到极化SAR图像的非监督分类中。相似度网络融合(Similarity Network Fusion,SNF)是一种有效的多视学习算法,该算法通过网络交叉扩展的方式有效地结合多个不同视角数据生成一个融合了多个视角数据优点的相似度矩阵。相对于由每个视角数据独立形成的相似度矩阵来说,该融合后的相似度矩阵具有更强的判别和分类能力。因此本文对基于相似度网络融合的极化SAR图像非监督分类方法进行研究,主要的工作和创新点如下:1.基于超像素的分类方法是将超像素作为处理单元,能够有效地克服极化SAR图像中相干斑噪声的影响,进而获得较高的分类精度,因此本文采用基于超像素的分类方法,首先需要对极化SAR图像进行超像素分割。目前大多的超像素分割算法都是针对光学图像提出的,由于极化SAR图像受相干斑噪声影响,并且存在许多小块的或者细长的区域,因此,当这些算法直接用于极化SAR图像进行超像素分割时,难以获得理想的结果。针对以上问题,本文提出一种极化SAR图像快速超像素分割算法。首先,初始化不稳定点集和超像素模型;其次,基于快速修正Wishart距离为不稳定点局部重贴标签;然后,更新不稳定点集和超像素模型;最后,基于不相似度度量进行分割后处理。基于一幅仿真和两幅实测极化SAR图像,与其他3种较优的算法进行对比实验,实验结果表明,就几种常用评价度量而言,本文算法具有较好的特性,而且本文算法计算效率高,能够生成边缘贴合度高、形状规则的超像素。2.地物类别数目对极化SAR图像非监督分类结果影响很大,但是大多数极化SAR图像非监督分类算法中的地物类别数目是由人为给定的,且目前对极化SAR图像地物类别数目估计方法的研究相对较少。针对上述问题,本文提出极化SAR图像地物类别数目估计算法。首先,采用上文中的极化SAR图像快速超像素分割算法对极化SAR图像进行过分割;然后,基于超像素采用不相似度度量构建不相似矩阵;最后,采用iVATdt算法(本文改进的VAT算法)使计算机自动获取极化SAR图像中地物类别数目。基于一幅仿真和两幅实测极化SAR图像,对4种算法进行对比实验,实验结果表明该算法能够有效、自动地估计极化SAR图像中的地物类别数目。3.从极化SAR图像中提取多种特征向量直接堆叠成一个高维特征向量用于极化SAR图像地物分类时,将导致部分特征向量的分类能力减弱或丧失。基于此,将每种特征向量看作为不同的视角数据,提出了一种基于一致相似度网络融合的极化SAR图像非监督地物分类方法。首先将极化SAR图像进行过分割,基于超像素提取5种特征向量以构建5个相似度矩阵;其次,采用一致相似度网络融合多视学习算法生成融合的相似度矩阵;然后,基于该矩阵进行谱聚类;最后,提出一种分类后处理策略修正错分像素。基于一幅仿真和两幅实测极化SAR图像进行实验,验证了该算法能够有效地结合多种特征向量,从而获得较高的分类精度。