En los últimos años, se ha convertido en una tendencia analizar los cambios en la línea de costa a través de imágenes satelitales en la investigación de ingeniería costera. Los resultados de la segmentación mar-tierra son muy importantes para la detección de la línea de costa. CoastSat es un sistema de detección de línea de costa en serie temporal que utiliza una red neuronal artificial (ANN) en la segmentación mar-tierra. Sin embargo, el método de CoastSat solo utiliza las características espectrales de un solo píxel e ignora las relaciones locales de píxeles adyacentes. Esto dificulta la predicción óptima de categorías, especialmente considerando la interferencia de características climáticas como nubes, sombras y olas. Es fácil que el clasificador se vea perturbado en los resultados de clasificación, lo que resulta en errores de clasificación. Para resolver el problema de la mala clasificación de la segmentación mar-tierra causada por la interferencia climática, este documento aplica HED-UNet al conjunto de datos de imágenes obtenidas de CoastSat y aprende la relación entre píxeles adyacentes mediante el entrenamiento de la arquitectura de red profunda, mejorando así los resultados de segmentación errónea de mar-tierra debido a las perturbaciones climáticas. Al utilizar diferentes optimizadores y funciones de pérdida en el modelo HED-Unet, el experimento verifica que Adam + Focal loss tiene el mejor rendimiento. Los resultados también muestran que el modelo de aprendizaje profundo, HED-Unet, puede mejorar efectivamente la precisión de la segmentación mar-tierra al 97% en una situación con interferencia de factores atmosféricos como nubes y olas.