海岸带生态系统脆弱敏感,气候变化和人类活动给海岸带环境带来了巨大压力,导致其生态环境不断恶化,对其进行长期、有效的土地覆被监测意义重大。近年来,遥感技术已逐渐发展为海岸带地理环境监测的重要手段之一,其在海岸带区域规划、监测管理和生态保护等方面都发挥了不可替代的作用。但由于海岸带区域多云雨,传统光学遥感手段难以获取到高质量的数据,合成孔径雷达(SAR)成像数据因其可穿透云雾且不依赖于太阳光线的特点成为海岸带遥感的重要数据源,特别是高分辨率全极化SAR数据包含丰富的目标信息,可获取大量不同类别的特征。本文基于Radarsat-2全极化SAR数据,以黄河三角洲为研究区,针对利用多特征的互补性,摒弃冗余信息,开展逐层递进的分类实验方法研究,主要研究成果包括以下几个方面:(1)对海岸带典型地物全极化SAR多维特征进行提取与分析,并建立显著性特征集。发现地物在不同的统计特征中呈现出互为补充的可分性。在物理散射类特征中,地物大类别可分性显著,小类别混淆严重。芦苇、互花米草、盐地碱蓬在不同的散射特征通道中具有显著差异的响应特性,散射特征的适当线性组合可以提高这几类地物的可分性。纹理类特征可以作为优秀的辅助特征来增益分类效果。(2)根据显著性特征集所表现的地物可分性,结合两种不同分类方法,逐层添加先验知识,建立了一种基于全极化SAR多特征的分层分类框架。首先以Freeman分解三分量作为输入训练集进行Wishart非监督分类,得到低层次分类结果。然后针对异构特征对应不同核函数具有响应差异的问题,提出一种引入先验标签的多核学习方法对几种低层类别分别进行高层次分类,得到最终分类结果。实验结果表明该方法总精度以及单类地物分类精度优于传统方法,该方法能够利用极化SAR多维异构特征的互补特性,有效提高海岸带地物类型的分类精度。(3)针对五种分类较为困难的植被地物,基于多时相数据中地物的时相敏感度与变化性进行特征降维与分类。通过6组不同数据与分类器的交叉对比试验,发现植被枯萎期数据的分类复杂度与精度都优于繁荣期,多时相数据在分类精度上要高于两类单时相数据。多核学习分类器在应对多特征的分类工作中具有优势,但是在特征量较少时,在分类效率上低于SVM。