快速准确地作物分类是估算作物信息和提高农田管理水平的基础。基于时间序列遥感数据应用深度学习模型已经成为作物分类的主要方法。类似于Google Earth Engine（GEE）的云计算平台拥有强大的计算能力为完成庞大的深度学习模型运算提供了便利。针对云计算平台和深度学习结合困难和深度学习模型中各组分对分类性能的作用不可知的问题,本研究建立了一种在卷积神经网络（CNN）和循环神经网络（RNN）双视角下结合注意力机制的深度学习方法（DuPLODA）用于作物分类。以中国内蒙古的河套灌区为例,基于GEE云计算平台对Sentinel-2卫星影像的时间序列数据进行融合处理,进而利用DuPLODA进行作物分类,并使用消融实验量化了模型中各组分对分类性能的影响。本研究提供了一种可行的结合云计算和深度学习的灌区尺度的作物分类方法。主要结论如下:（1）河套灌区内主要种植的作物根据时间序列曲线的相似性可分为2大类。葵花、玉米和青椒为一类,小麦、番茄、西葫芦和其他为一类。第1类作物有着相似的变化趋势,仅能从生长茂盛时期中的光谱特征的差异和其他时间段的微小变化进行区分。第2类作物中小麦和其他农作物有着不同的变化趋势,较易区分;而番茄和西葫芦有着相似的时间序列曲线。（2）对于不同特征和时间序列使用RF和SVM分类器的分类性能会随着选择特征数量的增加,分类性能也会随之提高。当选择全部特征时,分类性能达到最优。RF的总体精度为92.49%,Kappa系数为89.20%;SVM的总体精度为93.24%,Kappa系数为90.29%。SVM对于全部特征的分类性能要优于RF。而使用较少数据时,RF的分类表现会更好。（3）DuPLODA模型较现有的主流分类模型表现出了更优的分类性能。DuPLODA模型的OA和Kappa系数取得了最高值（OA=95.86±0.4%,Kappa=94.11±0.57%）,F1分数取得次高值（F1 score=93.08±0.86%）。与5类对比模型在空间分布细节上的对比中,DuPLODA可以在交叉种植地区更好地对多类作物分类,并对大面积种植区也有同样优秀的分类性能,可以有效避免错分和椒盐现象。DuPLODA提供了一种针对单一像素的深度学习分类方法,用于从时间序列遥感数据学习可泛化特征。（4）DuPLODA中的CNN分支和RNN分支具有互补特性,二者的有机结合提高了作物分类性能。消融实验量化了深度学习模型各组分对分类性能的影响,t-SNE可视化揭示了深度学习模型的特征学习过程。DuPLODA中的CNN分支对分类性能有决定性作用,而RNN分支会辅助CNN分支提升模型的分类性能,采用双视角架构可以优化模型提取特征的能力。CNN分支的注意力机制可以有效提升模型的分类性能,而RNN分支加入注意力机制对于分类并没有促进作用。在双视角模型中添加辅助分类器也可以提高模型的分类性能。t-SNE可视化结果说明不同模型对特征的学习过程是不同,DNN模型在较浅的层数已经形成了明显的群簇,RNN分支在全连接层才形成明显的群簇,CNN分支可以观察到形成群簇的整体过程。