随着卫星遥感技术的发展,遥感图像的解译工作已经从目标甄别转换到像素级的分类研究中。作为图像解译问题中重要的遥感数据来源之一,合成孔径雷达（Synthetic Aperture Radar,SAR）由于能够在全天候、全天时等条件下不间断工作的特点,已经在军事、民用和商业等领域得到了广泛的应用,对于SAR图像的解译分类技术要求也逐渐增高。近些年,随着计算机技术的大力发展,以深度学习为代表的深度卷积神经网络（Deep Convolutional Neural Network,DCNN）方法层出不穷。相对于传统的图像分类方法,由于其具有提取高级的上下文特性、端到端的学习方式、分类精度高等特点,已经在光学图像的分类任务中取得不俗表现。但是由于SAR图像与光学图像的成像机理差异,DCNN对于SAR图像的解译,难以发挥充分作用。为了提高深度学习模型在多源遥感信息融合中的性能,本文针对于多通道SAR影像,提出一种新的DCNN模型,并通过实验验证了模型的有效性与先进性。本文的主要研究内容如下:（1）构建了上海南汇东滩潮间带环境监测的专用数据集。该数据集以2016-2020年间上海南汇东滩潮间带的SAR双极化通道和物理环境信息为数据源.结合专家先验知识、多源遥感数据辅助目视解译等手段,划分成五个类别的数据,并标注成标签图像。为本文及后续研究工作提供研究数据支撑。（2）针对多通道SAR图像分类,探究融合多源信息的双极化SAR图像分类效果。在经过预处理的VV、VH单极化数据集的基础上,我们依次构建了双极化数据集和融合潮位风速信息的数据集,并利用U2-Net的DCNN模型进行结合对比实验,验证多源遥感信息融合的有效性。（3）提出了一种针对U2-Net框架并具有非对称卷积的多分支DCNN模型（MB-U2-ACNet）。该模型具有双层嵌套的U型编码解码器结构。我们通过建立分支结构,提取并融合多源遥感信息的特征。同时我们还为每级编解码器设计了新的非对称残差U块（Asymmetric Convolution Re Sidual U-block,ACRSU）,以增强网络对于图像翻转和旋转的解析能力。此外,通过引入注意力机制,从通道和空间维度的角度区分特征的重要性来提高模型性能。（4）上海南汇东滩潮间带的时空变化分析。基于本文已经构建的数据集,通过人工筛选,建立相邻图像时间间隔小于1个月的图像序列。在时间和空间两个维度,总体、季节、年际三个角度分析2016至2020年间研究区域的典型地物变化,并对驱动该变化的主要机制进行剖析。本文在构建的上海南汇东滩潮间带监测数据集上验证了多源遥感信息融合的有效性。并通过多组实验证明本文提出的MB-U2-ACNet比现有的代表性DCNN和传统方法具有更好的性能。同时,分析了研究区域典型地物的时空变化特性。论文所取得的研究成果可用于长时间跨度的上海南汇东滩潮间带环境监测工作,为潮间带的监测系统建设、资源环境评价与政策制定提供理论与数据支撑。