根据我国SAR系统的发展现状和SAR信息处理的应用需求，本论文重点开展了高分辨率、单视单极化SAR图像地物分类技术研究。SAR图像地物分类是传统的ATC(Automate Terrain Classification)技术的扩展。具体内容为：根据SAR图像基本特性，提取可靠特征，将图像区分为人造目标(机动车辆、建筑物等)、自然目标(树木、灌木、树林等)、背景(草地、平地、植被等)和阴影(目标阴影、镜面散射体等)四种类别，为不同的应用提供对应的感兴趣区域(ROI)。研究目的是建立交互式的SAR图像辅助判读系统和为图像解译提供潜在目标切片。在目前直接进行SAR图像自动目标识别非常困难的情况下，SAR图像地物分类对整个解译系统来说，是一个非常实用而又关键的环节。 SAR图像地物分类技术的困难性主要源于微波成像的特殊机理和严重的相干斑干扰，使得基于图像象素层的特征提取非常困难。对单视单极化SAR图像而言，这个问题更为突出。因此，不管是分类模型的建立，还是分类类别数目的扩展和分类率的提高，难度都相当大。 论文根据SAR图像特征检测概率模型，对图像中相邻分辨单元的区分能力和点目标的检测能力进行了详细分析，得出了在较小的虚警条件下，可以直接利用RCS的统计特性，在象素层进行高精度的单视SAR图像地物分类算法研究的结论。在此基础上，结合SAR图像其它固有特性研究，提出了以RCS的统计分布特性作为主要特征，阴影和高分辨率条件下的区域结构特征作为提高分类精度的辅助特征，并将二者有机结合起来进行分类方法研究的思路；分析了统计模式识别、神经网络和模糊技术应用到SAR图像地物分类中需要解决的实际问题；提出了在图像域对SAR图像质量指标近似计算和分类率的具体评估方法。 根据理论推导结果和应用需求，论文针对Beta-Prime统计分布模型能够较好的描述SAR图像场景的特点，利用具有理论分类错误率最小的Bayes决策直接进行分类研究，重点解决了利用一种适应性的强RCS检测器，二项式Gamma分类器进一步提高自然目标类和背景类分类精度的问题；针对精确的统计分布模型推导困难或实用性差的难题，提出了一种基于RCS重构和空间位置模型的地物分类算法，较好的解决了基于统计分布模型的分类算法对分布模型精确性的依赖问题；针对需要直接利用样本集进行非参数估计的应用需求，重点研究了利用神经网络和模糊技术建立高精度、智能化的分类算法。提出了基于径向基函数神经网络(RBFN)的双隐层混合网络(MDHRBFN)模型，解决了标准神经网络在具体SAR图像地物分类中分类类别数目不够和分类精度差的问题；提出了基于模糊推理系统的自适应模糊RBFN分类(AFRBFN)模型，兼顾通用性与精确性，增强人机交互能力，进一步提高了算法分类率。 最后，利用MSTAR实测数据对这四种算法进行了性能评估，并给出了算法集成应 国防科学技术人学研究生院学仇论文一用软件系统的实现枢架。