В данной работе рассматривается задача сегментации по типам морского льда спутниковых радиолокационных изображений при помощи искусственной нейросети. На вход нейросети подаются снимки Sentinel-1 в HH поляризации, прошедшие предварительную обработку с помощью программного обеспечения SNAP и размеченные по типам льда. Радиолокационные изображения имеют ряд преимуществ перед снимками видимого диапазона: они слабо зависят от облачности и от освещенности, что дает возможность регулярного получения данных, в связи с чем данный тип снимков и был выбран для экспериментов. Для решения задачи была выбрана Unet-подобная архитектура, представляющая собой комбинацию энкодера EfficientNet и декодера Unet. В связи с большим разрешением данных было принято решение для обучения разделить исходный снимок с помощью скользящего окна, размер которого равен 256х256 пикселей. После чего из полученных фрагментов формировались обучающая, тестовая и валидационная выборки. Модель, обученная на описанных выше данных, имеет усредненное по всем классам (8 классов льда и вода) значение IoU (параметр Intersection over Union - отношение площади пересечения предсказанной зоны и реальной к их объединению) равное 0.889, при этом между классами есть значительные колебания: худшим является класс однолетнего льда значение IoU равно 0.632, а лучшим является класс дрейфующего льда, значение IoU равно 0.989.