极化SAR影像分类是极化SAR应用中一项非常重要的研究问题。全极化数据多视极化相干矩阵或协方差矩阵所服从的复Wishart分布是目前极化SAR影像分类领域应用最广泛、最著名的统计模型。但应用该模型需要假定目标的散射分量服从复高斯分布，这使得复Wishart模型与异质性区域数据的匹配效果较差。为解决这一问题，本文研究基于K-Wishart分布模型的极化SAR影像分类。K-Wishart模型基于乘积模型，由Wishart相干斑模型和Gamma纹理分布模型推导而得，该模型将极化信息与纹理信息进行融合，适应了不同条件下的场景描述。本研究以山东泰安地区徂徕山一带作为实验区，获取了覆盖实验区的一景ALOSPALSAR全极化数据，一景TM数据和土地类型覆盖数据。首先，通过引入纹理参量，本文发展了一种具有非高斯性质的统计模型，即K-Wishart统计模型。将基于有限混合K-Wishart模型和基于有限混合Wishart模型的极化SAR影像进行分类对比，结果发现，分类精度由74.1935%提高到了88.9276%，且在一定程度上抑制了地形起伏的影响。其次，本文还发展了一种新的参数估计方法，即基于Mellin变换的矩阵对数累积量参数估计法，对极化SAR影像的K-Wishart分布纹理参数进行估计，不仅简化了参数估计过程，而且提高了估计性能。此外，本文还提出一种基于有限混合Gamma模型的初始化方法。该方法不仅保证了Wishart和K-Wishart两种分类器进行对比所需要的同等初始条件，而且还降低了时间复杂度。