【摘要】[目的]基于多时相Sentinel-2A/B影像，探究深度学习模型在森林植被上的分类效果。[方法]以黑龙江省孟家岗林场为研究区，以多时相Sentinel-2A/B影像、数字高程模型（DEM）为数据源，通过各森林类别的JM距离，确定最佳单一时相。同时，构建多时相植被指数及红边指数特征（DVI、mNDVI、CIred-edge、NDre1）。采用支持向量机和优化的U-Net模型分别对单一时相+DEM和单一时相+DEM+多时相植被指数两种方案进行分类实验。[结果]（1）在单一时相+DEM基础上，加入多时相植被指数后，U-Net模型精度为77.87%，比单一时相+DEM精度高6.67%;(2)U-Net模型的总体精度明显优于支持向量机，并且分类效果更好。同时，深度学习U-Net模型能够避免“椒盐”现象，分类结果更细腻。[结论]基于多时相Sentinel-2A/B影像，构建植被指数及红边指数时序特征，同时采用U-Net模型在一定程度上能够提高林分类型分类精度。