Como un ecosistema en transición de tierra a mar, los manglares desempeñan un papel vital en la protección contra el viento y las olas, así como en el mantenimiento de la biodiversidad. Sin embargo, la invasión de Loisel daña seriamente el ecosistema de humedales de manglares. Para proteger los manglares de manera científica y dinámica, se propuso un modelo de segmentación semántica para manglares y Loise basado en UperNet (Swin-UperNet). En el modelo Swin-UperNet propuesto, se propuso un módulo de concatenación de datos para aprovechar al máximo la información multiespectral de las imágenes de teledetección, se reemplazó la red principal con un transformador Swin para mejorar la capacidad de extracción de características, y se diseñó un módulo de optimización de límites para optimizar los resultados de segmentación aproximados. Además, se tomó una combinación lineal de la pérdida de entropía cruzada y la pérdida de Lovasz-Softmax como función de pérdida de Swin-UperNet, que podría abordar el problema de la distribución de muestras desequilibrada. Tomando las imágenes GF-1 y GF-6 como datos de experimentación, se comparó el rendimiento del modelo Swin-UperNet con el de otros modelos de segmentación en términos de precisión de píxeles (PA), intersección media sobre unión (mIoU) y fotogramas por segundo (FPS), incluyendo PSPNet, PSANet, DeepLabv3, DANet, FCN, OCRNet y DeepLabv3+. Los resultados mostraron que el modelo Swin-UperNet logró la mejor PA de 98.87% y mIoU de 90.0%, y la eficiencia del modelo Swin-UperNet fue mayor que la de la mayoría de los modelos. En conclusión, Swin-UperNet es un modelo eficiente y preciso para la segmentación sincrónica de manglares y Loise, lo que proporcionará una base científica para la monitorización de Loise y la conservación y gestión de los recursos de manglares.