En este artículo, se proponen dos modelos de mezcla para modelar regiones heterogéneas en imágenes SAR polarimétricas de una sola vista y de múltiples vistas, junto con sus correspondientes clasificadores de máxima verosimilitud para la clasificación de la cobertura terrestre. Los modelos gaussianos clásicos y de Wishart son adecuados para modelar vectores de dispersión y matrices de covarianza de regiones homogéneas, mientras que su rendimiento se deteriora en regiones heterogéneas. En comparación, los modelos de mezcla propuestos reducen el error de modelado al expresar la distribución de datos como una suma ponderada de múltiples distribuciones componentes. Para los datos SAR polarimétricos de una sola vista y de múltiples vistas, se adoptan componentes gaussianos complejos y componentes de Wishart complejos, respectivamente. Los parámetros del modelo se determinan empleando el algoritmo de expectativa-maximización (EM). Luego, se construyen dos clasificadores de máxima verosimilitud basados en los modelos de mezcla propuestos. Estos clasificadores se evalúan utilizando imágenes SAR polarimétricas del sensor RADARSAT-2 de la Agencia Espacial Canadiense (CSA), del sensor AIRSAR del Laboratorio de Propulsión a Chorro (JPL) y del sensor EMISAR de la Universidad Técnica de Dinamarca (DTU). Los resultados de los experimentos demuestran que los nuevos modelos se ajustan mejor a las regiones heterogéneas que los modelos clásicos y son especialmente apropiados para regiones extremadamente heterogéneas, como las áreas urbanas. La precisión general de la clasificación de la cobertura terrestre también mejora debido al modelado más refinado.