合成孔径雷达（SAR）具有穿透云层和植被、全天候、全天时、能获得高分辨率图像的优势，已经在军事和民用领域中得到了广泛应用。随着SAR系统的迅猛发展，大量的SAR图像数据被获得，从而对SAR图像的理解和解译就变得尤为重要。SAR图像的分割和分类是SAR图像理解与解译的基础部分，近些年来已经受到很多国内外学者的广泛关注。　　稀疏表示方法作为一种分析大规模数据稀疏性的有效工具，已成为近几年的研究热点，并被成功地应用于各种领域的实际问题。本论文根据SAR图像的独有特点，利用稀疏表示方法的优势，对SAR图像的分割和分类问题进行了深入研究。现将本论文的主要研究内容总结如下：　　1.针对SAR图像本身具有相干斑噪声的特点，在对其进行分割和分类前，先将SAR图像过分割得到超像素。超像素作为本论文算法的基本操作单元，不仅有效地削弱了SAR图像中的相干斑噪声，还显著提高了算法的运行效率。为了进一步降低超像素的数目以及与原始图像的无缝联接，还给出了超像素的粗合并与边界处理方法。接着，提取超像素多种类型的特征，全面、准确地描述SAR图像中的不同目标。　　2.提出了一种基于多核联合稀疏图的SAR图像分割和半监督分类方法。首先，通过使用一个新的多核稀疏表示模型，得到超像素多种特征在高维核空间上的稀疏表示，它能反映超像素的全局相似性。接着，挖掘出超像素的局部邻域空间关系，并将其与全局相似性相结合，来构造多核联合稀疏图的邻接矩阵，进而提升分割性能。由于多核联合稀疏图集成了超像素的全局和局部结构信息，所以它在分割和分类含有相干斑噪声的SAR图像时，表现出良好的类别区分能力。通过在仿真和真实SAR图像上的一系列实验，可以看出，提出的多核联合稀疏图在SAR图像分割和分类领域中，与其它方法相比具有一定的优势。　　3.提出了一种基于随机子空间的集成稀疏表示方法，并应用于SAR图像的分割和半监督分类。对于高维数据，随机子空间方法不仅能降低数据的维度，而且能充分利用数据中的有效信息。然后，利用一个联合稀疏表示模型来获取每个随机子空间中样本集的稀疏表示。再通过一种简单的方式，将多个随机子空间中的稀疏表示被整合为一个集成稀疏表示。最后，将获得的基于随机子空间的集成稀疏表示应用于经典的谱聚类和半监督分类问题中。基于随机子空间的集成稀疏表示在不同实际数据集上的实验结果表明，它优于一些传统的方法。　　4.提出了一种基于稀疏学习的模糊C均值聚类算法，该方法将稀疏表示引入经典的模糊C均值聚类方法中，达到提升其聚类性能并降低空间和计算复杂度的目的。首先，通过求解一个稀疏表示模型，得到判别特征，并只保留其中绝大部分的能量。通过这种方式，判别特征中的冗余信息（比如：不同类样本间的相关性）被去除，从而有助于提高聚类性能。再者，判别特征中非零值位置信息也被用来重新定义基于稀疏学习的模糊C均值方法中的距离。它能增强同类样本间的相似性和不同类样本间的差异性，这也有助于获得好的聚类结果。另外，由于每个样本中被保留判别特征的维数不同，所以在基于稀疏学习的模糊C均值方法中用集合运算来更新距离和聚类中心。实验结果表明，基于稀疏学习的模糊C均值在低内存和低计算复杂度的情况下还依然具有良好的聚类性能。　　5.提出了一种基于稀疏自表示的模糊双C均值聚类算法，该算法的主要特点是，它能同时聚类两个具有不同维度的数据集，相应地，也有两种聚类中心。第一个数据集是描述样本自身基本物理特性的基本特征集。第二个数据集是通过使用稀疏自表示模型从基本特征中学习得到的判别特征集，它体现了样本集的全局结构。其中，稀疏自表示模型将数据集本身作为稀疏表示中的字典，它具有良好的类别区分能力、噪声鲁棒性和数据自适应性，这些优势提升了基于稀疏自表示的模糊双C均值方法的聚类和推广能力。基于稀疏自表示的模糊双C均值方法在不同数据集和图像上的实验结果表明，它的性能优于其它模糊聚类算法。