及时准确获取农作物空间分布及种植面积对政府调整农业结构和制定农业政策、实现可持续发展的农业管理具有重要意义。遥感技术具有宏观上快速检测作物分布信息的能力,使其成为了当前农作物种植面积检测的主要手段之一。随着遥感技术的不断发展,遥感影像数据源在不断增加、影像分辨率也在不断提高。想要获取大范围、高分辨率农作物空间分布信息需要对海量遥感影像进行下载、存储、处理与分析,云平台的出现为快速准确获取大范围高分辨率农作物分布信息提供了机会。本文基于Google Earth Engine云平台的Landsat-8和Sentinel-2光学影像和Sentinel-1雷达影像,选取不同分类方法对吉林省遥感影像进行农作物分类实验,从光学遥感、雷达遥感和多源遥感三方面开展农作物制图研究。以Landsat8和Sentinel-2数据为数据源,开展光学遥感农作物分类方法研究,选取植被指数、高程和坡度信息作为辅助数据用于农作物分类识别中。在Landsat-8分类实验中选取前七个30米分辨率波段作为基础光谱数据,通过光谱数据计算NDVI、NDWI、NDBI三种植被指数,将植被指数、高程和坡度信息与光谱数据相结合构建多维分类特征集。对多维度分类特征集,分别采用随机森林、CART、最小距离分类器进行分类实验,结果表明随机森林分类器对农作物识别优于CART和最小距离分类器的识别,分类精度达到了93.88%。在Sentinel-2分类实验中选取红、绿、蓝、近红外四个10米分辨率波段作为基础光谱数据,通过光谱数据计算NDVI、NDWI两种植被指数,将植被指数、高程和坡度信息与光谱数据相结合构建多维分类特征集。对多维度分类特征集,分别采用随机森林、CART、最小距离分类器进行分类实验,结果表明随机森林分类器对农作物识别优于CART和最小距离分类器的识别,分类精度达到了93.89%。随机森林算法与其他两种分类方法相比更适合用于农作物遥感制图。以Sentinel-1数据为数据源,开展雷达遥感农作物分类方法研究。选择30天作为时间间隔进行影像合成,保证作物整个生育期(5月-10月)内每月均有雷达影像数据用于农作物分类实验。分别对不同月份的Sentinel-1雷达影像分类,对生成的分类结果精度评价后对比发现8月份的Sentinel-1雷达影像中玉米、大豆和水稻具有较好的可分离性,总体分类精度达到了84.82%。在探究不同极化方式对农作物识别的实验中发现,与交叉极化相比同极化影像对农作物的识别效果更好,选取随机森林分类器对多时相同极化雷达影像分类的总体分类精度最高为88.72%。对多时相双极化数据Sentinel-1数据分别采用随机森林、CART、最小距离分类器进行分类实验,结果表明随机森林分类器对农作物识别优于CART和最小距离分类器的识别,分类精度达到了90.48%。以Sentinel-1和Sentinel-2数据为数据源,开展多源遥感农作物分类方法研究。分别采用随机森林、CART、最小距离分类器进行分类实验,结果表明随机森林分类器对农作物识别优于CART和最小距离分类器的识别,分类精度达到了95.33%。基于GEE云平台选取Landsat-8、Sentinel-1、Sentinel-2以及多源影像对吉林省农作物进行识别,分类精度分别为93.88%、90.48%、93.89%、95.33%,这表明可通过GEE云平台实现高精度、高效率对吉林省大宗作物分布信息的提取。