土地覆盖随时间而自然变化,也是人为活动的结果。遥感技术具有宏观、迅速的大范围监测能力,可在短时间内获取客观、准确的土地覆盖信息,满足一系列科学和政策信息需要的土地覆盖产品在不同的空间和时间尺度上定期生产。遥感技术具有数据获取范围广、信息丰富等优点,基于遥感数据的土地覆盖分类成为了当前土地覆盖分类的主要方法之一。然而,此类方法存在着影像受云、雾等外界因素干扰、时间序列上数据存在“缺失”、地块破碎程度较大,且种植结构复杂等问题,从而导致分类精度较低。鉴于Sentinel-2遥感数据具有较高时间和空间分辨率且容易获取等优点,本文建立了Sentinel-2时序数据集,利用随机森林分类方法构建了基于多特征的土地覆盖精细分类模型,并利用案例研究对方法效率、精度及可拓展性进行讨论。实验验证了该方法的可行性及典型类别体系下的分类模型的时空拓展能力。论文的主要工作和成果如下:（1）基于Sentinel-2时序数据的多特征土地覆盖分类方法基于Sentinel-2影像数据的光谱波段信息（RGBN）和植被指数（NDVI）,利用TI、T-P和T-I-P法建立时序数据集、构建研究区level＿1和level＿2地物类别体系,建立基于随机森林分类的时序Sentinel-2土地覆盖特征分类模型,并以雄县及周边区域为例,进行12类土地覆盖分类提取。结果表明,时序分类特征对土地覆盖分类具有较好的结果,其中基于R-N-I特征的分类总体精度和Kappa系数最高分别为91.73%和0.9016。（2）时序数据多特征分类模型时间维度可拓展性分析基于2018年和2019年影像数据的R-I、R-P和R-I-P时序数据集分类模型,对雄县及周边研究区进行农田、林地、稀疏林、建筑、水体和荒草地6大地类在时间维度的拓展应用及交叉验证。其中2018年三种时序特征分类模型总体分类精度均高于79.09%,Kappa系数最低为0.6985,2019年均高于83.87%,Kappa系数小为0.7728。结果表明,基于随机森林算法和现势的调研样本数据,利用时序分类特征可以用于提取相邻历史年份的土地覆盖分类信息。（3）时序数据多特征分类模型空间场景可拓展性分析基于时序数据雄县研究区的土地覆盖分类模型,在京津冀交汇处选取两景影像进行土地覆盖分类空间可拓展性分析。实验结果表明,基于R-I分类特征的拓展性最好,R-I-P和R-P特征分类精度相差不大,分类总体精度最高分别为88.90%和86.33%。同时分类精度表明农田地类的空间拓展性最好,林地、建筑、水体的拓展性次之,稀疏林和荒草地的拓展性较弱。