合成孔径雷达(Synthetic Aperture Radar,SAR)因有穿透性、全天候、产生高分辨图像等特点,不受昼夜更替与气候变换等客观条件影响,使它广泛应用于军事领域和民用范畴。然而,SAR系统成像机理的特殊性导致SAR图像存在固有的乘性相干斑噪声,这严重影响了SAR图像的解释。SAR图像分类是SAR图像释译范畴中的重要研究内容之一,分类精度直接反映其方法对SAR图像解译的质量。因此,高精度,高鲁棒性及低时耗的SAR图像分类算法的研究一直是SAR图像研究的重点。本文针对近年来SAR图像分类算法存在的问题:如:分类精度低,时间复杂度高和鲁棒性低等,将稀疏表示、多尺度技术和超像素等有机融合,对SAR图像分类开展深入的研究,具体研究内容包括:1)提出基于多尺度的SAR图像特征融合分类方法。首先,利用传统的稀疏表示(Sparse Representation,SR)方法来描述SAR图像的稀疏特性。在字典构造过程中,为降低噪声对实验结果影响,选取特征向量方法构造字典。其次,由于SAR图像特征具有的复杂性和多样性的特性,采用多种不同的特征提取方法提取图像的特征信息,达到丰富字典纹理信息的目标。最后,依据S.Zhao提出的帧信息压缩思想提出字典融合机制,并将提出的字典融合机制应用于多尺度稀疏表示分类方法中,实现SAR图像的分类。通过仿真SAR图像与真实SAR图像实验验证,本文提出的分类模型不仅在抑制噪声方面具有较强的鲁棒性且有效降低了传统算法的复杂度。2)提出基于超像素的多层级SAR图像分类方法。针对现有方法在处理SAR图像时存在时耗高和弱边缘分类能力较差的问题,在上述研究内容1)的基础上,提出了基于超像素的多层级稀疏表示分类方法。该方法主要包含超像素分割,超像素的多尺度特征提取,多层级分类器的构建三部分。其中,层级架构分类器每一层级分类由稀疏表示分类器实现,并且引入层级阈值将分类结果分为确定性的分类结果和待分结果,确定性的分类结果作为下一层的训练样本,待分结果将在下一层继续分类,这样以此循环,直到最后一层为止。该方法有效的弥补了传统稀疏表示分类器分类过程中样本不足的缺陷,不仅实现了稀疏表示的分类过程,同时还实现字典的更新。实验结果表明该方法相比于其他方法不仅有利于小样本高精度分类,而且还具有收敛速度快的优点和良好处理非均质区域分类的能力。