滨海湿地位于陆地系统与海洋系统的过渡地带,是国家重点保护的湿地环境之一。随着湿地保护工作的进行,通过专家组进行实地勘察已不适用于如今的大范围湿地环境监测,而遥感成像技术的发展使得开展这种大范围的监测成为可能。但是滨海湿地中很多植被在分布区域的外围覆盖密度低或与其它植被交错生长,使得地物的交界难以清晰辨别,这为信息提取带来了困难。在对滨海湿地遥感图像进行信息提取时,传统方法使用单一像素或像素的邻域作为训练样本,没有考虑到不同地物之间的交界区域,而这些交界区域是提高信息提取精度的关键。为此,本文引入深度学习的语义分割思想,提出了基于UNet的滨海湿地信息提取方法,该方法使用不同地物的交界区域作为训练样本,使用UNet模型进行训练和测试。本文以GF-2号卫星拍摄的中国山东省东营市垦利区黄河口湿地的多光谱遥感图像为例进行了实验。实验结果表明,相比于支持向量机、马氏距离和极大似然估计三种经典机器学习方法,该方法将整体精度提高了 3%以上,Kappa提高了 0.04以上,6个类的F1分数均高于对比方法。在对滨海湿地遥感图像进行信息提取时,UNet模型在保持提取目标的边界轮廓的完整性上能力有限,为此本文基于反卷积提出了一种滨海湿地语义分割模型WetlandNet。该模型以编码器-解码器为基本结构,使用深度可分离卷积代替常规卷积以减小模型大小和参数量,使用反卷积提取目标的边界轮廓特征,并将提取的边界轮廓特征通过跳跃连接的方式拼接到上采样后的特征图上,丰富了特征信息。实验结果表明,相比于深度学习中具有代表性的语义分割模型UNet,PSPNet和DeepLabV3 Plus,本文提出的WetlandNet获得了更加精确的分割结果,将整体精度提高5%以上,Kappa提高了 0.07以上,并且6个类中5个类的F1分数高于对比模型,同时参数量仅为UNet的1/36,PSPNet的1/42,DeepLabV3 Plus 的 1/51。