Telah dilakukan penelitian metodologi segmentasi dan klasifikasi citra synthetic aperture radar (SAR) berdasarkan Pulse Coupled Neural Networks (PCNN) dikombinasikan dengan ciri tekstur. Langkah awal penelitian ialah mencari nilai parameter optimal persamaan PCNN. Segmentasi citra dilakukan menggunakan tiga macam metoda yang diusulkan yaitu pertama berdasarkan PCNN yang nilai parameternya telah dibuat optimal, kedua yaitu berdasarkan modifikasi proses iterasi PCNN dan ketiga berdasarkan modifikasi persamaan PCNN. Hasil segmentasi tiga teknik ini dapat memisahkan wilayah sesuai ground truth, tetapi pada jumlah iterasi tertentu masih terjadi tumpang tindih. Klasifikasi berdasarkan PCNN dilakukan dua tahap yaitu pertama mengekstraksi ciri tekstur citra. Ekstraksi ciri ini menggunakan perhitungan Grey Level Co-occurrence Matrix (GLCM). Dipilih tiga macam ciri yaitu dissimilarity, correlation dan angular second moment. Tiga ciri ini menjadi masukan pada PCNN untuk diiterasi. Hasil yang sangat menonjol dari rangkaian eksperimen ini ialah didapatkannya nilai optimal parameter persamaan PCNN yang tegar, metoda modifikasi iterasi persamaan PCNN yang dapat menghindari terjadinya tumpang tindih pada dua kelas wilayah hasil segmentasi, modifikasi persamaan PCNN menjadi empat persamaan yang dapat mempercepat segmentasi, dan hasil yang menonjol lainnya ialah dapat digunakannya PCNN ini untuk klasifikasi citra SAR yang bertekstur dan multi wilayah setelah dikombinasikan dengan ciri tekstur dan ketepatan klasifikasi berdasarkan PCNN yang diusulkan mencapai 91,58% untuk pita L, 88, 31% untuk pita C dan 85,33% untuk pita P.