农作物的有效监测和管理对确保全球粮食安全至关重要。随着人口增长和资源压力的加剧，尤其是面对可耕地面积的有限性，开发和应用先进技术以提高监测效率和精度变得尤为关键。因此本研究提出了一种利用多源遥感数据和深度学习技术对典型作物进行分类的新方法。通过采用改进的DeepLabV3+网络架构，集成了额外的卷积层和注意力机制，并构建一个合成孔径雷达（SAR）和光学数据的复合特征集，显著提升了作物识别的准确性。该方法有效克服了单一数据源的限制，并利用作物在不同生长阶段的特征，有效应对了光谱相似性带来的挑战，为不同环境和土地覆盖条件下的精准农业监测提供了强有力的技术支撑。实验结果表明，所提出的方法优于传统分类技术，总体准确率和F1分数分别为91.45%和91.31%。这项研究凸显了深度学习与耕地分类相结合的潜力，为加强农业监测指明了方向。

农作物分类,高分二号,合成孔径雷达,改进的deeplabV3+网络