快速、准确地获取农作物类别信息对农业部门的生产管理、政策制定具有重要作用.目前基于时间序列数据进行农作物分类主要是采用长时间序列的中低分辨率影像,大量的混合像元限制了农作物的分类精度.在农作物分类的特征选择方面主要是采用归一化植被指数(normalized　differential　vegetation　index,　NDVI),而其他特征量的应用还相对较少.该文以新疆开孔河农业区为研究区域,利用2016年的Landsat7　ETM+、Landsat8　OLI影像数据集,基于时间加权的动态时间规整(time　weighted　dynamic　time　warping,TWDTW)方法开展农作物类型识别研究,主要包括香梨、小麦、辣椒、棉花等.根据野外采集的样本点构建主要农作物的NDVI和第一主成分(principal　component　analysis　1,PCA1)时间序列,以反映不同农作物间的物候差异.基于NDVI数据分别利用DTW和TWDTW算法计算各未知像元序列与标准序列间的相似性程度,得到农作物的分类结果,2种方法的分类精度分别为65.69%、82.68%,表明时间权重的加入提高了DTW算法识别不同农作物的能力.结合NDVI与PCA1后,TWDTW的分类精度又提高了2.61个百分点,部分农作物的误分现象明显减少,说明　PCA1　能够进一步扩大作物间的差异性,提高分类精度.同时,还通过选取有限时相的影像组合进行分类,试验结果表明TWDTW算法在中高分辨率数据较少的情况下能够得到较为满意的分类结果,说明TWDTW算法在中高分辨率影像越来越丰富的时代具有应用潜力.