本文的内容涉及对SAR图像的分割方法的研究。由于SAR图像中存在阴影以及相干斑等特点，传统的SAR图像分割方法大都无法完整的提取由明暗交替变化组成的聚集区域，另外由于相干斑噪声的影响导致的边界淹没，在处理匀质区域时往往也无法提取到一致连通的封闭区域。目前已有的工作在素描图的基础上通过提取素描线的语义信息，成功提取了一致连通的完整聚集区域，但是没有处理匀质区域的提取。本文的工作就是在已有工作的基础上对匀质区域的提取进行研究，并将目前非常流行的基于词袋模型的特征学习方法应用于SAR图像各个区域的特征表示上，在此基础上提出了基于区域和词袋模型的SAR图像分割方法，论文的主要创新工作有：　　1）提出基于形状的素描线补全方法，并通过该方法获得了改进的区域图。由于SAR图像的素描图中表示边界、线目标与孤立目标的素描线经常会出现断裂，导致提取的无线段区域无法封闭，为此本文提出了基于形状的素描线补全方法。该方法利用素描图中素描线的形状信息，并借助低阈值素描图中的素描线，对素描图中相应的素描线进行连接补全，解决了素描图中部分素描线严重缺失断裂的问题。然后，在此基础上，改进了现有的区域提取方法，得到的区域图拥有连续性更好的结构区域和封闭性更好的无线段区域；　　2）将改进的区域图与基于LLC编码的词袋模型相结合，提出了基于LLC编码和区域图的SAR图像的无监督分割方法。将区域图映射到原SAR图像空间后，可以得到对应的聚集区域、匀质区域和结构区域。由于聚集区域和匀质区域都是由多个地物区域组成，因此本文工作进一步分别对聚集区域和匀质区域进行聚类。首先对聚集区域、匀质区域使用基于LLC编码的词袋模型进行特征学习，然后分别对聚集区域和匀质区域进行层次聚类得到区域聚类结果，最后在区域聚类的基础上得到最终的SAR图像分割结果。　　实验结果表明，本文提出的SAR图像分割方法不仅能够提取完整的聚集区域，还提取了若干个封闭的匀质区域。使用的特征学习方法也可以得到SAR图像地物区域的具备代表性可分性的信息。最终得到的SAR图像分割结果较好的解决了上述SAR图像分割现阶段存在的问题，取得了较好的效果。