浅海地形是表征海洋沉积环境的基础要素,对渔业、航海、石油探测、管线铺设等各个方面都有重要实际应用意义。台湾浅滩沙波是世界上最大的浅滩沙波区域。由于传统的多波束测深成本太高,基于多源遥感的反演方法缺乏足够的实测数据,因此台湾浅滩沙波地形的规模化探测仍是亟需解决的难题。本文围绕台湾浅滩沙波地形的规模化探测问题展开研究,以多角度太阳耀光遥感及其反演获得的海面粗糙度数据为基础,采用循环神经网络（RNN）、长短时记忆神经网络（LSTM）和门控神经网络（GRU）等时序网络模型,构建了基于时序网络的浅滩沙波地形规模化遥感探测模型,在台湾浅滩沙波区域展开规模化探测应用与验证,主要研究内容和结果如下:（1）台湾浅滩沙波地形特征分析。首先概述台湾浅滩沙波分布和形态特征,基于多角度卫星遥感数据及反演获得的海面粗糙度和多波束实测水深数据,选择典型沙波研究分析了沙波地形数据的周期性变化特征。在垂直于沙波沙脊线方向上,沙波地形的海面粗糙度和水深两种序列信号变化都呈现了周期性特征,虽然两者变化的趋势不同,但两种信号的变化周期相同。此同周期变化特征为利用时序网络进行沙波地形探测提供了依据。（2）基于时序网络的沙波地形探测模型构建。在台湾浅滩沙波地形特征分析的基础上,引入时序网络,建立基于时序网络的沙波地形探测模型,包含时序数据准备、时序网络框架构建、网络训练与调参,以及探测结果分析等关键步骤。时序数据准备是通过对海面粗糙度数据进行FFT滤波、十字滤波、沙波波峰位置提取、海面粗糙度积分等处理,从而基于海面粗糙度数据构建系列时序数据,与对应的水深时序数据一起输入时序网络进行训练和调参。在训练区,完成了RNN、LSTM、GRU三种时序网络的沙波地形探测建模与试验,三种探测模型都能很好地反映沙波形态。定量验证表明,三种模型的均方根误差（RMSE）精度分别为3.38m、3.24m和3.37m,可见LSTM模型在训练区域表现最佳。在此基础上,对不同海面粗糙度数据处理和不同数据集划分对探测结果的影响情况进行分析讨论,认为通过海面粗糙度滤波和增加海面粗糙度积分数据可以提升模型探测精度。在训练集与验证集不相邻的情况下,模型也能取得相当的探测精度。（3）沙波地形探测模型的规模化应用。将建立的基于时序网络的沙波地形探测模型及模型训练参数,迁移推广到与训练区不相邻的更大、更多区域,共三个区域总面积为774km~2。利用实测多波束测深数据对应用区域的沙波地形探测结果进行精度验证与评估。结果表明,基于三种时序网络RNN、LSTM、GRU的沙波地形探测模型,都在应用区域取得了较好的探测结果,其RMSE分别为3.58m、3.29m和3.47m。可见,模型迁移方法有效,在台湾浅滩更大范围的沙波地形探测是可行的。