极化SAR分类是SAR研究的一个重要方向，其技术的发展对于SAR数据的应用具有很大的推动作用。现有极化SAR分类方法主要存在着三点不足：一是，大多数基于像素分类，由于影像尺度限制而仅能提取有限的地物信息，且无法有效的避免斑点噪声的影响，分类结果中存在严重的“椒盐”现象；二是，仅依靠单个像元信息，用来分类的特征量少且类型单一，多数情况下极化信息或统计信息被单独使用，丰富的纹理信息未被充分利用；水体、阴影和道路因具有相似的物理散射特性而很难被区分开。这些不足在一定程度上影响了影像解译的可信度，使得目前极化SAR分类的精度普遍偏低。　　本文主要针对上述三点不足，提出了融合极化信息和纹理信息的面向对象的分类方法。围绕这个课题，主要进行了极化特征与纹理特征提取、影像多尺度分割以及面向对象的决策树分类和面向对象的H/α/A-Wishart分类研究。论文的主要研究成果如下：　　1）实现了基于几种比较常用的极化目标分解方法的极化特征提取和基于灰度共生矩阵的纹理特征提取，提出了一种基于统计分析和主成分分析的纹理特征选取方法，在减少了特征数量的同时，有效地保留了信息量；　　2）扩展了区域合并算法中异质度的计算公式，提出了基于极化特征、纹理特征以及二者结合的异质度计算公式，将极化特征和纹理特征融合用于影像分割，很好地改善了影像分割质量，实现了基于最大面积法的不同地物类别最优分割尺度的确定；　　3）针对同一分割尺度无法提取所有地物类别的状况，本文设计了一种实用化的基于经典的C5.0决策树算法的分层面向对象分类过程。在该过程中，提出了对象统计、极化和形状特征的提取方法，并将这些特征综合应用于分类。根据不同地物的最优分割尺度选出合适的对象层，设计了合理的分类方案，实现了不同尺度上的地物分类同时，并有效的将水体、道路和阴影区分开，大大提高了分类精度；　　4）在对相干矩阵分割基础上进行了H/α/A-Wishart分类，有效的克服了SAR斑点噪声的影响，并在H/α/A-Wishart分类结果基础上，实现了基于纹理和形状信息的道路提取，改善了实验区内道路与水体的严重“混分”现象，总分类精度得到了提高。