海冰对于气候变化和海上的安全航行有很大影响,所以,实时预测海洋流冰情况可以有效的减少流冰对海上生产实践的影响。海洋海水表面覆盖融冰,流冰和融冰纹理等特征极为相似,二者之间特征区分度低,造成海水与流冰之间类间差异小,覆盖融冰的海水容易被误分割成流冰;受光照、雷达回波强弱等因素的影响,冰的亮暗、粗糙程度不同,造成薄一年冰和厚一年冰之间产生类内差异大的问题;同时SAR海冰图像受散斑噪声干扰严重,空间分辨率有限,缺乏特征,降低了SAR图像中流冰的分割精确度。海冰图像分割精度会直接影响海冰位置、面积信息的提取,且海冰的检测也需要快速实时,因此海冰分割问题中精度是关键,速度也是不可忽略的因素。针对以上问题,本文提出了一种基于双分支网络结构的SAR图像不规则流冰分割方法,本文主要工作和研究内容如下:首先,对SAR海冰数据进行了预处理及数据集的制作,本文从3景SIR-C全极化SAR海冰图像数据源中裁剪数据,选取有效样本后进行数据增强操作。为增强实验效果,进行了数据加噪处理,同时为减少过拟合现象,对样本进行亮度增强,对比度增强和水平翻转、随机旋转操作以增加数据量,最终得到一个包含3322个样本的数据集,有效的提高了模型的检测效果。其次,为了同时获得丰富的空间信息和感受野,本文提出了基于改进BiSeNet的海冰分割方法。其中空间分支有三个卷积层,主要捕获底层空间细节以得到高分辨率特征表示,主要获取海冰颜色、边缘等细节信息;上下文分支中用预训练的经典网络Res Net提取深层特征进行语义分类,分支后面用全局均值化来稳定大感受野,降低了计算量,两个分支并行计算提高模型运算速度。再次,本文在原有BiSeNet网络的基础上加入了跳跃结构,可以有效对抗SAR图像高噪声以及浅层特征信息缺乏等情况,分割性能较之前有明显提升。在网络训练过程中,通过对不同学习率的测试比较,获取最优学习率进行模型训练。最后,将改进后的BiSeNet网络应用于上千张预处理后的海冰图像训练出分割模型,将该方法与经典分割算法（FCN）及近年提出的轻量级网络模型（ICNet）做对比实验。实验结果表明,本文方法的综合性能优于其他两种模型。