针对传统算法提取遥感图像分类特征不全，及识别农作物分类准确率不高的问题，以无人机遥感图像为数据源，提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理，并进行数据集标注与增强；其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块，多级多尺度特征聚合金字塔方法等对算进行法改进，构建改进的U-Net算法，最后进行模型训练与改进修正。实验结果表明：总体分类精度OA达到88.83%，均交并比MIoU达到0.52，较传统U-Net模型、FCN模型和SegNet模，在分类指标和精度上都有明显的提升。

快速、准确地掌握作物空间分布，估算不同作物种植面积及范围，这对制定宏观农业政策并指导农民进行农业生产具有重要意义。以我国内蒙古自治区扎赉特旗现代农业示范园区为研究区域，基于2019年5月至10月共9景多时相Sentinel-2卫星遥感影像，通过计算并分析不同作物归一化差值植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）等多种典型植被指数和近红外波段Ref(NIR)的时序变化特征，采用随机森林（Random Forest, RF）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和最大似然法（Maximum Likelihood, ML）4种分类方法对研究区多种作物进行分类识别，成功提取园区内主要作物（水稻、玉米、甜叶菊、旱稻和大豆等）空间分布情况。将RF结果与DT、SVM和ML分类结果对比，结果显示，RF总体分类精度最高，达到95.8%，Kappa系数为0.944；DT、SVM和ML分类精度分别为92.2%、91.6%和86.5%。上述研究结果表明，多时相Sentinel-2遥感影像经过光谱指数时序变化特征提取后，利用随机森林算法进行作物分类可得到精度较高的结果，这为精细指导规模化园区农业生产提供了有效的技术支持。