داده¬های پلاریمتری به دلیل وجود اطلاعاتی به مراتب بیشتر نسبت به داده¬های معمولی sar نقش مهمی در تعیین پوشش زمین و همچنین مدیریت محیط زیست ایفا کرده¬اند؛ با توجه به این مطلب در این تحقیق، هدف طبقه¬بندی پوشش زمین با استفاده از داده¬های پلاریمتری (polsar) در نظر گرفته شد. برای رسیدن به این هدف الگوریتم¬های بسیاری تحت عنوان الگوریتم¬های تجزیه جهت استخراج اطلاعات از این تصاویر ارائه شده است و خروجی این الگوریتم¬ها به عنوان داده¬های ورودی الگوریتم¬های طبقه¬بندی مورد استفاده قرار گرفته است. مشکل عمده الگوریتم¬های طبقه¬بندی تصاویر پلاریمتری استفاده از تعداد ویژگی¬های محدود به یکی از الگوریتم¬های تجزیه می¬باشد؛ لذا در این پژوهش سعی شده است که از تمام اطلاعات استخراج شده از الگوریتم¬های تجزیه استفاده شود. برای این منظور ابتدا با استفاده از الگوریتم¬های تجزیه همدوس و ناهمدوس ویژگی¬هایی برای فرآیند طبقه¬بندی استخراج شد، سپس ویژگی¬های بهینه با استفاده از الگوریتم ژنتیک بدست آمد. در ادامه این ویژگی¬های بهینه به عنوان ورودی الگوریتم پس انتشار خطا در نظر گرفته شد. علاوه براین الگوریتم¬های نظارت شده مانند الگوریتم بیشترین شباهت، الگوریتم کمترین فاصله و الگوریتم پس انتشار خطا و الگوریتم نظارت نشده مانند الگوریتم¬های k-means, fcm و som جهت طبقه بندی تصاویر پلاریمتری sar بکار گرفته شدند. در این الگوریتمها ویژگی-های مختلفی برای طبقه بندی در نظر گرفته شدند. از آنجایی که الگوریتم¬های نظارت نشده قادر به تعیین برچسب پیکسل¬ها نیستند از الگوریتم پس انتشار خطا برای تعیین برچسب پیکسل¬ها استفاده شد. برای ارزیابی و تست الگوریتم¬های طبقه¬بندی از تصویر پلاریمتری شهر سانفرانسیسکو مربوط به سنجنده هوابرد airsar و تصویر پلاریمتری شهر مونترال مربوط به سنجنده هوابرد convair استفاده شد. نتایج حاصل نشان می¬دهند که ترکیب الگوریتم ژنتیک و الگوریتم پس انتشار خطا دارای دقتی به مراتب بالاتر از دیگر الگوریتم¬های طبقه¬بندی به ازای ویژگی¬های مختلف می¬باشد، همچنین از میان الگوریتم¬های نظارت نشده الگوریتم som دارای دقت بالاتری است.