طبقه بندی پوشش زمین بویژه در مناطق شهری یکی از مهم ترین کاربردهای تصاویر پلاریمتری sar (polsar) محسوب می شود. به منظور استفاده از پتانسیل بالای اطلاعاتی این تصاویر ویژگی های متعددی را می توان از آن ها استخراج کرد. اگرچه هر یک از این ویژگی ها می تواند اطلاعات مناسبی را درباره عوارض مختلف فراهم کند ولی هیچ یک به تنهایی برای توصیف کامل یک عارضه کافی نمی باشد و از طرفی امکان استفاده از تمامی ویژگی ها وجود ندارد. بنابراین انتخاب ویژگی نقش مهمی در طبقه بندی تصاویر پلاریمتری ایفا می کند. هدف از این تحقیق، تعیین زیرمجموعه ویژگی بهینه از داده پلاریمتری به منظور بهبود طبقه بندی پوشش زمینی می باشد. در این راستا سه گام اساسی در طبقه بندی اتخاذ شده است: 1) استخراج ویژگی در قالب سه گروه ویژگی های داده اصلی، ویژگی های تجزیه هدف، و تفکیک کننده های polsar؛ 2) انتخاب ویژگی در چارچوب بهینه سازی تک هدفه و چند هدفه؛ و 3) طبقه بندی با استفاده از ویژگی های انتخابی بهینه. در انتخاب ویژگی تک هدفه، روش های تلفیقی از الگوریتم ژنتیک (ga) و شبکه های عصبی پرسپترون چند لایه (mlp) و همچنین ماشین های بردار پشتیبان (svms) به منظور بیشینه کردن دقت طبقه بندی بکار گرفته شد. در انتخاب ویژگی چند هدفه به منظور کمینه سازی خطای طبقه بندی و همزمان تعداد ویژگی های انتخابی polsar، الگوریتم ژنتیک با مرتب سازی نامغلوب 2 (nsga-ii) در مرحله جستجو و دو طبقه بندی کننده ماشین بردار پشتیبان و سیستم استنتاج عصبی- فازی تطبیقی (anfis) در مرحله ارزیابی مورد استفاده قرار گرفت. برای بررسی عملکرد الگوریتم ها از تصویر پلاریمتری شهر سانفرانسیسکو مربوط به سنجنده فضابرد رادارست 2 استفاده شد. نتایج حاصل کارایی برتر ا لگوریتم های چندهدفه را نسبت به سایر روش های مورد استفاده نشان می دهد. برای الگوریتم چندهدفه با طبقه بندی کننده svm تعداد ویژگی 16 و دقت کلی 87/95 و برای الگوریتم چندهدفه با طبقه بندی کننده anfis تعداد ویژگی 14 و دقت کلی 3/97 حاصل شد.