红树林生态系统是生产力和生物多样性最高的海洋生态系统类型之一。近年来,由于自然因素和人为因素的影响,红树林生态系统在遭受不同程度的破坏。卫星遥感影像具有易获取,成像范围大,可以定时重访等优点,因此使用遥感影像数据,识别红树林的种类及其群落分布,能够为红树林生态系统的管理和保护提供重要的数据参考,具有重要的意义。目前关于遥感数据的红树林种间识别任务多是基于机器学习的方法来展开的,计算量大,对数据的要求比较高,图像获取困难,且缺少实现语义分割的研究工作。本文使用广西茅尾海域高分2号遥感卫星多光谱影像数据,基于DeepLab V3+深度卷积神经网络,开展红树林的种间识别和语义分割算法研究工作。首先根据训练数据中红树林碎片区域多,不同类别训练样本不平衡的问题,提出在原始DeepLab V3+网络基础上添加转置卷积和通道注意力机制模块,并修改损失函数为一种新的联合损失函数。分析各光谱段特征,对比不同波段组合方式的实验结果。为了提高网络的泛化能力,提出一种基于两阶段分类的语义分割法,并用福建省两个不同区域的4张遥感数据进行测试验证,为不同地区遥感影像中红树林的种间识别及语义分割提供可行的方法。本文主要研究工作如下:（1）使用高分2号三个可见光波段的数据组合成三维数据,基于原始DeepLab V3+网络实现红树林种间识别及语义分割任务,并分析实验结果。实验结果显示,该模型基本上能够识别遥感影像中的桐花树和无瓣海桑的区域,而对于茳芏和秋茄的识别效果较差。模型对红树林识别的类别平均准确率为58.51%,语义分割平均交并比为54.64%。（2）从网络结构、损失函数的角度对DeepLab V3+网络进行改进,解决了原始网络对茳芏和秋茄识别能力差的问题。实验使用转置卷积、通道注意力机制模块,使网络有效学习到碎片化红树林区域的特征。联合损失函数中WCE Loss和CBD Loss有助于增加训练样本少的类别在反向传播时的梯度贡献,加快网络的收敛速度,提高茳芏和秋茄的识别精度。在此基础上,使用绿光、红光和近红外三个波段组合并做数据平衡后实验结果最优。最终实验结果对红树林的树种识别的平均准确率为96.90%,语义分割结果的平均交并比为90.62%。（3）提出使用两阶段分类的语义分割法,解决网络对红树林植物盖度低的区域和混生区域识别率低的问题。两阶段分类机制首先区分出红树林区域和非红树林区域,然后使用空间注意力机制对前景区域进行红树林的种间分类及语义分割。再根据各个类别的预测概率确定混生区和纯生区红树林的类别。使用阈值截断的方法去除由于成像时不确定因素导致的异常值,测试表明截断比例为5%时能够得到最优的识别结果。最后将该方法应用于福建省九龙江和漳江两个区域多张高分2号遥感影像的红树林种间识别及语义分割任务,将实验结果与相关资料比对,验证了该方法具有良好的识别效果和泛化性能。