1、合成孔徑雷達(Synthetic Aperture Radar，SAR)具有全天時、全天候的探測與偵察等工作能力。它利用脈沖壓縮技術(shù)和合成孔徑原理獲得高的距離分辨率和方位分辨率，從而相比真實孔徑雷達在遙感領(lǐng)域具有獨特的優(yōu)勢。對SAR圖像的理解和解譯屬于圖像處理范疇，還涉及到了信號處理，機器學習及模式識別等眾多學科。SAR具有的獨特作用，使得SAR圖像的理解在國防和民用領(lǐng)域正受到越來越廣泛的關(guān)注，SAR圖像分割作為SAR圖像后續(xù)解譯處理的

2、關(guān)鍵環(huán)節(jié)之一，也就顯得愈加重要。聚類是SAR圖像分割常用手段，針對此本論文主要進行了SAR圖像分割方法研究。本論文主要工作如下：
　　 (1)提出了一種基于空間信息的EMBoost聚類圖像分割?；贐oosting的EM聚類集成算法(文中簡稱EMBoost)比傳統(tǒng)的EM聚類算法在精度、初始值敏感方面都有所改善，然而在圖像分割應(yīng)用中EMBoost算法未考慮到圖像的局部特征，分割效果不理想，針對此文中在EMBoost算法基礎(chǔ)上引入了

3、相鄰像素的相對位置信息和鄰域紋理距離信息所構(gòu)成的空間信息，以進一步改善分割效果。
　　 (2)提出了一種基于空間信息的高斯混合模型(Gaussian Mixture Model)參數(shù)遷移聚類算法，應(yīng)用在SAR圖像分割。許多機器學習方法由于都是基于訓練數(shù)據(jù)和測試數(shù)據(jù)來自相同的分布和同一個特征空間的假設(shè)，因而當數(shù)據(jù)分布改變時，大多數(shù)的機器學習方法需要從頭開始學習，要求使用者重新收集大量的訓練數(shù)據(jù)來訓練模型。而在真實世界中重新收集數(shù)據(jù)

4、然后標記需要花費很昂貴的代價。此外，經(jīng)典機器學習方法EM算法因簡單、容易實現(xiàn)而被廣泛使用，但它本身還存在對初始值敏感，容易陷入局部最優(yōu)的缺陷，造成圖像分割的不穩(wěn)定以及錯分現(xiàn)象，為此提出該算法以改善。
　　 (3)提出了基于塊參數(shù)遷移聚類方法。在實際SAR圖像分割中，經(jīng)常遇到大規(guī)模、超高維、復(fù)雜分布的數(shù)據(jù)，對于這些數(shù)據(jù)，如果用現(xiàn)有的EM算法處理，在時間和分割效果上都顯得力不從心。因此，本章不是立足于單個樣本點，而是將圖像劃分成好多