以“基于多极化星载合成孔径雷达的广东省海岸线动态监测研究”项目研究为背景,以珠江三角洲为研究区（重点区域为南沙区）,利用SegNet对该海岸带区域的地物分类方法开展了相关研究。SegNet网络是端到端的基于语义分割的分类模型,采用编码-解码（Encoder-Decoder）的对称式网络结构,在遥感影像数据集上进行分类的精度可达到73.2%,要优于DeconvNet等网络模型^[1]。实验过程主要采用的是Sentinel-1A卫星影像,该数据源由欧空局免费提供,适用于大范围的地表监测。实验将SegNet及U-Net网络和Sentinel-1A遥感影像数据相结合,完成了对广东省海岸带地区的地物分类。为了提高分类的精度,采用了更高分辨率的TerraSAR-X影像数据用于校正,并通过实地测绘调查对实验结果进行了验证。同时,为了验证SegNet及U-Net网络对于遥感影像地物分类的有效性,还采用了最小距离法,极大似然估计,kmeans等多种分类算法用于比较。Sentinel单个卫星（包括A,B两颗）重访周期仅为12天,利用Sentinel-1A影像数据作为主要实验数据来源,可以获得更多的数据。同时,该影像数据由欧空局免费提供,还可以节约经济成本。而利用TerraSAR-X影像数据作校正,则可以弥补Sentinel-1A影像数据因精度低（相对TerraSAR影像数据）而造成的误差。传统的聚类算法如kmeans等不需要对数据进行标签,直接利用样本的内部特性进行分类,可以大大减少工作量,但精度偏低,分类结果比较粗糙。近年来,学术界普遍开始将深度学习的方法应用于遥感影像分类,例如:利用FCN,SegNet,U-Net等网络进行地物分类。这些方法采用了多层卷积,可以提取影像不同尺度的特征,丰富了特征信息,有利于分类精度的提高。其次,由于硬件平台GPU卡（适用于卷积运算）的普及,使得网络的训练更加容易,高效,可以提高算法运行速度,并能实现更深层网络的训练,提高分类精度。通过和第三方测绘公司开展实际的调查活动,得到了南沙区不同位置的实际地物类型,可以验证本文方法的精度。从实地测绘调查结果可以看出,该模型能够较好地反映出研究区的地物分类状况,对当地自然资源的利用和规划具有一定的指导意义,具有较好的发展前景。