海岛海岸带是我国重要的地理资源要素,是影响我国沿海经济发展的关键因子之一,具有丰富的地物储备和显著的社会价值。高分辨率遥感影像为海岛海岸带相关研究提供了精确且有效的数据来源,地理信息科学也为其提供可靠的技术支持。近年来,深度学习在计算机视觉领域的广泛应用为遥感影像地物分类提供了新思路,能够满足遥感影像高分辨率和地物分类日益复杂化的挑战,获得更高的目标识别解译精度。然而,目前针对海岛海岸带的研究内容较少,存在缺乏深度学习所需的标准样本数据库、使用传统的遥感影像分类方法精度不理想等问题。基于此,本文改进深度学习U-Net经典网络模型,调整隐层结构、引入VGG-16特征提取网络、添加空间置弃层、调试超参数等方法优化算法模型,使其应用于海岛海岸带目标地物识别检测,系统研究深度学习的理论知识和实践架构,为海岛海岸带高分辨率遥感影像地物分类提供有意义的参考和借鉴。本文主要开展了以下工作:（1）梳理和归纳遥感影像目标地物分类的关键技术。本文分别阐述了基于光谱统计特征和机器学习的遥感影像分类方法的特征和优劣,特别是深度学习应用于遥感影像目标识别检测领域的研究;深刻理解目标识别检测涉及的卷积层、激活函数层、反卷积层、空间置弃层等基础理论知识;详细介绍了深度学习的经典模型U-Net网络结构和典型的特征提取网络,为搭建适用于海岛海岸带目标地物识别检测算法奠定基石。（2）制作高质量的标准海岛海岸带多目标滨海监管数据集。收集高分辨率海岛海岸带遥感影像数据并对其进行预处理,确定选取红树林、浮筏养殖、围海养殖作为研究目标地物,参照大型公开的深度学习样本数据集对海岛海岸带遥感影像进行矢量标注、矢栅转换、批量裁剪、数据增强等操作,最终形成包含10934张影像图的多目标滨海监管数据集,补充了用于深度学习的海岛海岸带高分辨率样本数据集。（3）构建基于经典U-Net网络模型的海岛海岸带遥感影像地物分类算法。本文实验模型采用U-Net经典深度学习语义分割网络作为整体架构,使用VGG-16网络的前13层作为特征提取模块,引入批归一化方法加速模型收敛,添加空间置弃层防止模型过拟合,通过特征融合方法弥补下采样造成的细节信息损失,借助上采样恢复图像的语义信息和尺寸大小,最终实现对海岛海岸带遥感影像地物分类任务。（4）搭建模型运行环境,优化算法模型,分析目标识别检测结果。本文模型采用Anaconda平台作为算法解译环境,使用主流的深度学习框架TensorFlow编写海岛海岸带遥感影像地物分类算法。针对影响实验分类结果和精度的关键因子Batch-Size、Learning-Rate、初始化方法和有无空间置弃层分别进行对比实验,形成最终的算法模型后将其应用于海岛海岸带多目标滨海监管数据集,并且与基于SegNet网络模型分类结果和精度进行比较和分析。实验结果表明,本文实验模型不仅能够获得较好的分类效果和更高的精度值,还能满足对复杂情况下地物特征的细节要求,具备一定的实用性和泛化能力,能够为基于U-Net网络模型的高分辨率遥感影像海岛海岸带地物分类问题提供有意义的参考和借鉴。