SAR(Synthetic Aperture Radar),即合成孔径雷达,在资源勘查、测绘、海洋监测、灾害监测、农作物估产、环境监测和军事等方面的应用有着其他遥感成像方法没有的优点,并且合成孔径雷达还能在成像过程中发挥更多作用,所以得到了世界各国的重视。而极化多角度SAR成像又是一种新的成像体制,多角度观测体制比常规条带SAR系统提供更多角度信息,在极化信息的基础上,从360°范围分多个角度孔径采集数据,由此可以得到了更加丰富的信息,更有希望能避免由观测方向单一化导致的分类错误现象,有助于极化多角度SAR图像的分类识别研究。极化多角度SAR图像分类目前已有大量研究,但还需要进一步研究。对极化多角度SAR图像优化识别算法主要包括两个部分:特征工程及分类器构建。对于特征的优化:首先,针对极化SAR图像成像不可避免的相干斑噪声对试验数据序列曲线会造成同谱异物、同物异谱等影响的问题,通过对序列数据曲线进行分析,根据序列曲线特征进行数据处理。针对试验数据是序列数据问题,采用对十个孔径的序列数据进行目标分解得到基于序列的特征参数,将每个像素的十个孔径序列数据进行展开,将分类图像的每个像素点作为一个分类目标的方法,得到特征数据,通过验证,结果表明可以通过这种方法得到适合分类器输入的特征数据。最后对分类器的优化针对极化多角度SAR数据样本量小,试验数据分类适用性等方面,如何选择合适的分类器,对数据进行分类和优化问题,采用适合小样本数据且鲁棒性较好的支持向量机分类器(Support Vector Machine,SVM)的分类识别技术对极化多角度SAR数据进行分类识别,通过引入马尔可夫随机场(MRF)方法改进SVM的分类方法,又考虑到单个分类器不好平衡高维复杂特征的问题,通过Light GBM集成分类方法进行对比实验;并开展了SVM对极化多角度SAR图像分类的适用性验证,并分析了MRF与SVM分类器结合分类以及Light GBM集成分类结果,两种方法的分类准确率都有了明显的提升。