由于目标与环境场景具有紧密相关性,根据SAR图像场景先验信息,在SAR图像中快速获取目标潜在区域,是提高目标检测效率、降低虚警、实现目标精确检测的首要环节。高分辨率SAR图像地物具有起伏变化明显、纹理特征丰富等特点。基于像素级的处理方法的计算粒度过于精细,而且没有充分考虑像素间的空间组织关系,因此难以有效获取SAR图像多尺度目标潜在区域。本文围绕SAR图像,主要解决多尺度地物分类精度低、目标潜在区域提取效果不好的问题。本文基于地物先验空间分布特性以及多尺度分割进行了SAR图像的分类研究。SAR图像数据源的优劣、地物层级结构划分及尺度大小的选取都对分类结果产生重要的影响。针对SAR图像多尺度目标,本文主要做了以下三方面的研究:1)在同一图像尺度下,用数据融合的方法提高分类精度。由于单一极化通道获取的信息有限,考虑使用合适的数据融合方法,有效利用更多的地物信息。本文提出了一种自适应网络融合方法来对VV通道和VH通道的数据进行决策融合,提高了分类精度。2)针对多尺度目标,基于图像块进行分层分类,以实现目标潜在区域的快速提取。根据区域一致性原则进行自适应图像块划分,通过实验分析,获取地物最佳分割尺度,并结合影像地物特征及先验知识,建立了分类的层次结构。将本文所提多尺度层级分类方法与非监督的K-means聚类分割方法以及超像素分割方法进行实验对比,本文方法更有效。3)在所提层次分类基础上,获取更精细化的目标提取结果。由于河流的形态与其他地物差距较大,并且河流周围包含其他地物,直接与其他地物一起进行分类会降低整体分类效果,本文基于陆地分类结果,采用改进的区域生长算法对河流进行提取。除此之外,分层分类的结果还可用于目标检测等任务。本文在海洋区域提取基础上,再进行舰船目标检测,避免检测到陆地上的虚警目标。