Los ecosistemas de marismas salinas desempeñan un papel crítico en la protección costera, la captura de carbono y la preservación de la biodiversidad. Sin embargo, están cada vez más amenazados por el cambio climático y las actividades antropogénicas, lo que requiere un mapeo preciso de la vegetación para una conservación efectiva. Este estudio investigó la efectividad de las características espectrales y los modelos de aprendizaje automático para separar los tipos de vegetación típicos de las marismas salinas en el Delta del Río Amarillo utilizando imágenes multiespectrales derivadas de vehículos aéreos no tripulados (UAV). Los resultados revelaron que el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de Vegetación de Diferencia Normalizada Verde (GNDVI) y el Índice de Vegetación Ajustado por Suelo Optimizado (OSAVI) fueron fundamentales para diferenciar los tipos de vegetación, en comparación con la reflectancia espectral en bandas individuales. Entre los modelos evaluados, U-Net logró la mayor precisión general (94.05%), seguido por SegNet (93.26%). Sin embargo, el modelo U-Net produjo límites demasiado distintos y abruptos entre los tipos de vegetación, careciendo de las transiciones naturales que se encuentran en las distribuciones de vegetación reales. En contraste, el modelo SegNet destacó en el manejo de límites, capturando mejor las transiciones naturales entre los tipos de vegetación. Ambos modelos de aprendizaje profundo superaron a Random Forest (83.74%) y Extreme Gradient Boosting (83.34%). Este estudio destaca las ventajas de los modelos de aprendizaje profundo para el mapeo preciso de la vegetación de marismas salinas y su potencial en el monitoreo ecológico y los esfuerzos de conservación.