珊瑚礁底栖物质信息提取在珊瑚礁遥感监测领域具有重要意义。传统珊瑚礁底栖物质信息提取算法如SVM、最大似然法等具有精度不够高、不够自动化、时间成本较高等问题。信息提取任务为对影像进行一次像素级分类，即语义分割任务，目前深度学习方法在语义分割领域已有较广泛的应用，且取得较不错的效果。为此，基于深度学习技术设计了一种基于改进U-Net的分割网络模型进行珊瑚礁底栖物质信息提取任务。为了提高分割细节，对编码器的每个层级设置了一种多输入的方式；通过ResNet-34的残差部分结构作为网络的编码器结构，以提取更丰富的特征；结合分解卷积、注意力机制和通道混洗操作设计了一种新的特征提取块，并将其用于代替编码器、底层和解码器中的普通卷积层；同时，通过注意力机制来改善U-Net模型的远跳连接，对权重进行调整，提高分割精度。基于三亚地区的GF-2多光谱遥感影像进行实验，提取的地物类别分别为健康珊瑚礁、白化珊瑚礁、藻类混合物、沙、破浪、深海区和陆地，通过面向对象算法、结合了Google Earth影像进行目视解译修订建立了数据集。实验结果表明，该模型的平均交并比和平均F1-Score值分别达到67.17%和78.7%，与常用的分割算法相比，该模型在视觉效果和评价指标上更优，消融实验结果证明了改进模块的有效性。