合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种先进的对地观测工具,其获取的地物信息在军用和民用领域都具有很高的应用价值。SAR图像分割是SAR图像解译的重要技术,国内外对于低散射区域分割技术的研究较少。本文研究的SAR图像低散射区域包括阴影、水域、道路和机场跑道,对其分割技术的研究在环境及洪水灾害监测、军事目标打击及无人机着陆、地物目标的三维重建三个方面都具有重大的实际应用意义。他们在SAR图像上都呈现为较暗的区域,分割难度较大。所以,本文对SAR图像低散射区域的数据集制作和分割技术进行了研究。首先,本文解决了SAR图像低散射区域数据集的制作问题,并采用了一种基于Photoshop、Labelme、Python的标签标注法。分割数据标签一般采用Labelme人工标注,是个非常耗时的问题,我们采用的方法在SAR图像低散射区域的标注中大大提高了标注效率,且具有很高的准确度,对一些复杂的边缘比单纯使用Labelme标注更精细。其次,本文提出了多模块融合网络（MMFNet）用于对SAR图像低散射区域的分割。MMFNet由高分辨骨干网络模块、空间金字塔池化卷积模块和通道注意力模块组成,高分辨骨干网络能够保持特征图的高分辨特性,减少空间精度损失,有利于提取边缘等细节信息以及促进小目标的检测;空间金字塔池化卷积模块能进行多尺度特征融合,有利于提取不同大小的目标,提高分割精度;通道注意力模块能增强网络对类别信息的表达能力,有利于提高分割类别的准确性。我们在SAR图像低散射区域数据集上通过实验对MMFNet的分割效果进行了验证,并使用经典的高精度语义分割网络Deep Lab V3+、DANet、Enc Net和HRNet+OCR做了对比实验。结果表明,我们提出的MMFNet取得了不错的分割效果,且分割精度优于Deep Lab V3+、DANet、Enc Net和HRNet+OCR。最后,本文提出了编解码网络（CNet）用于对SAR图像低散射区域的快速分割。CNet采用非对称编解码结构,编码器能够提取从浅到深不同层级的特征,解码器则对不同层级的特征进行融合最后输出,同时维持特征图的高分辨特性。编码初期通过下采样减少了模型后续运算量,提高了分割速度。解码器则通过压缩网络体积,尽量减少复杂的卷积运算来提高分割速度。我们用实验对CNet进行了验证,并用经典的实时语义分割网络Seg Net、ENet和BiSeNet做了对比试验。实验结果表明,我们提出的CNet不仅具有很快的分割速度,同时具有较高的分割精度,在速度和精度上都优于Seg Net、ENet和BiSeNet。