红树林是我国生态系统的重要组成部分,利用遥感技术对红树林分布进行信息提取己成为监测保护红树林,促进生态可持续发展的重要手段。本文以粤港澳大湾区分布的红树林为研究对象,采用Goole Earth高分辨率遥感影像和Landsat中分辨率遥感影像为实验数据源,使用面向对象的机器学习以及深度学习方法,对研究区域内的红树林进行提取。对比不同算法,选择最优算法,最终生成2000-2020红树林数据集。其中,面向对象的机器学习算法一方面可以减少“同物异谱,异物同谱”现象,再者,能够充分利用遥感图像的几何特性和纹理特性,进一步提高分类精准度。深度学习算法可实现端对端的智能化提取,可以高效自主提取遥感影像中的浅层特征以及深层特征,能够智能化的提取遥感图像的浅层特点与深层特点,使的分类结果实现自动拟合,适用于多波段遥感影像信息提取,目前己成为遥感图像信息提取的有效途径。本文最终确定的基于深度学习的Deeplab v3算法提高了红树林提取精度,提升了破碎红树林区域提取的准确性,所生成的深度学习训练模型具有一定泛化性和普适性,可以推理不同年份区域的红树林分布。论文的主要研究内容如下:（1）下载研究区域内landsat8和Google earth遥感影像,对landsat8影像进行图像裁剪,图像融合,对Google earth影像进行图像增强和图像裁剪,提高遥感影像的质量,为下一步实验打好基础;（2）基于Arcgis pro软件制作粤港澳大湾区遥感影像深度学习样本库,通过选择不同切片大小、步长大小、翻转角度可以实现深度学习遥感影像样本智能化扩充,节省人力物力,提高效率,节约时间;（3）使用基于深度学习的Deeplab v3算法,通过选取不同骨干模型,训练导出了适合不同数据源遥感影像的红树林智能化提取模型,实现对实验区域内红树林高精度智能化提取,有效的抽取红树林遥感影像的深层特征和浅层特征,提高分类精度;（4）为了验证本文模型对红树林边界提取的优势,与其他深度学习方法如基于深度学习的unet方法对比,本文基于深度学习的deeplab v3与resnet-152结合的方法在整体区域红树林提取和破碎边界红树林提取都取得了更好的效果,其中召回率为0.939,模型的预测推理效果也最突出,具有一定的普适性。（5）为了验证本文模型的对于其他遥感数据源和其他区域红树林的适用性,使用已经训练好的模型分别对不同时相的Google earth粤港澳大湾区红树林进行提取,实验结果证明本文最终选择的深度学习模型对不同时相不同区域的遥感影像的红树林提取都具有普适性,大大提高工作效率,展示了本文模型的实用性;（6）为突出Google earth影像及深度学习的优越性,使用面向对象的机器学习算法进行对比,以landsat8遥感图像数据为实验数据,选取特征指数,NDVI和NDWI,然后结合植被纹理、几何信息,最后使用面向对象的随机森林算法和支持向量机方法计算红树林分布,其中随机森林结合光谱特性,植被指数,几何信息和纹理信息的分类方案分类效果最好;（7）使用基于深度学习的deeplab v3算法结合高分辨遥感影像对深度学习模型导致的漏分误分进行人工更正,最终通过数据的转化,输出2000-2020粤港澳大湾区红树林数据集。为实现粤港澳大湾区红树林的监测保护提高数据支撑。该论文有图39幅,表20个,参考文献70篇。