近岸水深是海洋的基本参数之一,对于岛礁区的研究和管理具有重要意义。遥感技术是水深探测的有效手段,底质对于水深探测精度的影响不可忽视。因此,开展底质分区基础上的水深反演有利于降低反演误差。本文发展了复杂底质情形的深度神经网络水深遥感探测模型,选择西沙群岛和马六甲海峡部分海域为研究区,首先开展基于多尺度CNN-SVM的浅海底质遥感精细分类以得到底质分区结果,再在不同分区基础上构建基于数据扰动的深度学习DBN模型开展遥感水深反演,得到研究区水深的高精度反演结果,并从多个方面对构建的算法模型进行评价。论文的主要工作及结论如下:（1）构建基于多尺度CNN-SVM的浅海底质遥感精细分类模型。除光谱、纹理数据外,输入由二维经验模态分解算法提取的珊瑚生活区多尺度特征,构建CNN-SVM分类模型。利用西沙群岛七连屿部分珊瑚生活区World View-2和GF-2数据集开展实验,分别得到86.01%到92.4%的分类精度,明显高出SVM、RF、CNN和CNN-RF方法的精度,证明使用深度学习算法和添加多尺度信息对于珊瑚生活区底质遥感分类的重要性和有效性。（2）构建水深遥感探测的深度学习模型。为了增加数据量,在原始水深点基础上添加扰动信息,并将深度神经网络引入遥感水深反演,建立了DBN-DP水深反演模型,以新及岛Quick Bird影像为例开展实验。与Stumpf模型、BP模型、未添加扰动的DBN模型相比,该模型能够得到最接近真实值的反演水深值,其MAE为1.2m,MRE为12.8%,在5m以深的反演结果优于5m以浅。研究证明深度学习能够在遥感水深反演中得到较好效果。（3）在前两部分内容的基础上,构建了底质及水质分区基础上的深度神经网络水深反演模型。该模型反演结果明显优于其他方法,其中底质分区基础上水深反演的MAE为0.5m,MRE为28.5%,分别比其他未分区方法最多降低0.7m和66.9%;水质分区基础上的MAE为0.8m,MRE为12.6%,比其他方法最多降低1.9m和57.8%。研究表明了底质分区和水质分区在遥感水深反演中的重要作用。