极化合成孔径雷达系统（SAR）是微波遥感领域中的一个重要研究方向。极化SAR作为一种相干成像雷达，接收到的散射总回波并不完全依赖目标的散射系数，而会在目标散射系数附近出现较大的随机变化，这种随机变化反映在SAR图像上就称之为相干斑噪声。图像的信噪比会随着斑点噪声的增多而下降，斑点噪声的增多会使SAR图像边缘细节模糊，甚至会导致极化目标的特征丢失。相干斑抑制是极化SAR成像后处理的首要步骤，噪声抑制的方法一直是极化SAR信号处理领域一个很值得研究的课题。目前已经有很多学者提出了相干斑噪声滤波方法，在一定程度上实现了相干斑的去噪，但是这些方法在去噪效果、细节边缘保存和自适应参数运算方面存在一些缺陷和困难，有待进一步改进。独立分量分析（ICA）作为盲信号分离最常用且最有效的处理技术，目前已经应用于很多信号处理领域。其解决问题的思路是仅通过传感器观测到的数据，利用统计独立的思想，分离出若干个独立成分。本文主要工作是将极化SAR图像进行对数量化后得到多维观测数据作为ICA的输入信号，利用ICA的基于高阶统计量和基本模型的分离方法，分离出相干斑噪声图像，从而实现极化SAR图像的相干斑降噪，丰富了极化SAR图像增强方法的研究。论文具体工作如下：首先总结极化SAR图像处理中相干斑研究价值、相干斑模型和去噪原则，并分析现有的去斑方法。阐述ICA算法的统计模型和求解过程，在目标函数的基础上建立ICA自适应算法。其次分析极化SAR图像是否满足ICA算法的基本数学模型以及基本假设，得出ICA方法处理相干斑去噪的具体过程。仿真分析，分别利用传统斑点去噪方法和ICA算法来处理极化SAR图像，总结出ICA算法在图像去噪和边缘细节保存方面要优于传统算法。最后通过改进的ICA梯度学习算法处理三组极化SAR图像。仿真分析得出，改进算法相比传统ICA算法在处理极化SAR，相干斑抑制能力更强，尤其对不同地物目标的边缘如海岸线和公园边界的表现更明显，对细节目标如桥梁的保存更清晰。通过极化SAR理论和ICA算法的研究，以及仿真实验，证明了ICA优化算法在处理极化SAR图像相干斑时，能够有效的抑制噪声，其中融合改进后的ICA学习算法是在极化信息保存以及边缘细节表现方面具有独特的优势，能够更好地增强极化SAR图像。