滩涂是海陆交汇的敏感地带,是海滩、河滩和湖滩的总称。沿海滩涂通常包括泥滩、沙滩和岩石区域,是大量水禽、候鸟、螃蟹、软体动物和鱼类等重要野生动物的栖息地,是沿海城市发展重要的物质基础和后备资源。来自海岸开发、海平面上升、海岸侵蚀、河流沉积物流量的增减、海岸沉淀物的沉降和压实,都会对滩涂带来影响。通过对遥感图像的观测,可以有效地了解滩涂的变化情况,从而可以达到管理、保护和恢复海岸生态系统的目标。由于月球引力的作用,对滩涂的观测会受到潮汐的影响,滩涂有时被水淹没覆盖,有时又暴露在水面之外,处于动态变化过程中,导致滩涂的准确范围难以界定,因此需要使用多时相的遥感图像进行观测,从而准确得到滩涂的面积范围。传统的观测方法对多时段遥感图像的波段信息及遥感系数逐个像素的进行监督学习,比如使用随机森林方法,不仅耗时且无法结合周围像素信息。深度学习方法目前被广泛运用于变化检测任务,但由于观测滩涂需要多时序图像,导致模型的输入大大增加,影响效率。本研究基于“长江水库化驱动中下游-河口地貌、环境及生态非均衡转换”项目,旨在使用深度学习方法端到端的生成滩涂分割图,减少结构化流程,提升滩涂分割准确率,且将多时序遥感卫星图像合成为潮位最高图和最低图,用双时相图像做变化检测提升效率。具体工作如下:（1）提出基于无监督域适应的方法对遥感图像进行水陆分割,利用公开标注精细的GID数据集和自己制作的Landsat数据集进行域适应学习,通过映射到同一特征空间进行训练,解决了目标数据集缺乏标注的情况,并使用遥感图像的NDWI水体数值,强化分割细节提升精度。最终在水陆分割上取得了90.2%的m IOU指标,实验表明其结果优于对照模型,并为后面孪生网络结构提供了一个鲁棒的骨干网络。（2）提出了一个基于孪生网络结构的模型对滩涂图像数据集进行变化检测,首先通过MSIC马赛克合成的方法将多时序的遥感图像变为双时相图像（潮位最高图和潮位最低图）作为模型的输入,通过融合特征金字塔模块提升模型效果,并利用水陆分割网络训练得到的骨干网络参数进行迁移学习,来处理滩涂数据集规模较小的问题。从而做到根据输入的双时相图像进行端到端的滩涂分割。（3）提出了Landsat完整遥感图像滩涂分割流程结构。在Landsat遥感图像上对研究区域自1984年以来历年进行滩涂分割以及滩涂面积变化分析。具体通过在GEE（Google Earth Engine）平台合成年度图像,对超大像素的遥感图像进行裁剪,输入训练好的模型以及合并后处理操作,得到完整的滩涂分割图,最后通过分割得到的像素点数计算面积。本文采样选取了中国东部沿海地区的滩涂,制作得到了4000张滩涂变化检测数据集并进行了详细的实验,最终得到79.0%的dice系数,均优于对照方法,并通过消融实验证明了改进的模块能对dice系数提升2.5%。