我国南方地区地形条件较为复杂且多云雨,较难获取长时间序列高空间分辨率遥感影像,而时空融合技术能够同步获取高时空分辨率遥感数据。结合融合时序影像及物候（PH）特征信息,探究不同分辨率融合时序影像的森林植被类型识别效果,对森林资源的有效监管具有重要意义。以江西省兴国县为研究区,基于增强型时空自适应反射率融合模型（ESTARFM）分别将高空间分辨率的Landsat8 OLI、GF-1 WFV影像与高时间分辨率的MODIS09 A1影像进行融合,重构增强型植被指数（EVI）8 d 步长的 ESTARFMLandsat8 EVI 与 ESTARFMGF-1 EVI 时序数据,获取物候特征信息,并利用随机森林分类（RFC）模型识别森林植被类型。研究结果可为国产高分数据在森林植被类型识别中的应用提供参考。主要研究结果及结论如下:（1）利用ESTARFM模型,发现植被指数时空融合（IB）方式预测生成的影像与真实影像之间的均值差比反射率时空融合（BI）方式的小,相关性更高,能更好地表现地物空间信息,融合效果更好。不同空间分辨率融合生成的ESTARFMLandsat8 EVI、ESTARFMGF-1 EVI与真实影像的相关系数均大于0.7,且在空间分布上具有较好的一致性。ESTARFM融合算法同样适用于GF-1与MODIS数据,在一定程度上可解决长时间序列高空间分辨率影像不足的问题。（2）S-G滤波方法在森林植被上的重构效果更好,A-G拟合、D-L拟合曲线变化趋势相似;3种重构算法对原始时序影像的保真性表现为:S-G＞A-G＞D-L。总体上,基于S-G滤波重构生成的融合Landsat8时序影像与原始影像的相关程度高于融合GF-1时序影像。融合影像的不同地物类型的重构时序曲线具有不同的变化趋势,区分较为明显。不同森林植被类型的滤波曲线主要呈“几”字型,且融合Landsat8滤波曲线的EVI值略高于融合GF-1滤波曲线。（3）对时序影像的物候提取结果采用标准差与均方根误差进行精度验证,结果显示物候提取结果具有较高的可靠性。总体上融合GF-1时序影像物候提取结果的标准差小于融合Landsat8时序影像,数据的偏离程度更小;融合时序影像与MODIS时序影像在多个物候指标上的标准差均较为接近,且标准差均较小,离散程度小。融合GF-1时序影像物候提取结果的均方根误差较融合Lansat8时序影像小,与“真值”更加接近,更为可靠。主要森林植被类型的物候特征信息具有一定差别,能够通过物候反映出不同森林类型。（4）时序影像的分类精度表现为融合GF-1时序影像＞融合Landsat8时序影像＞MODIS时序影像,不同组合方式的分类精度表现为EVI+PH＞EVI＞PH;融合时序影像总体精度及Kappa系数最低分别可达86.17%和83.77%。筛选出43个变量作为优选特征参与分类,支持向量机（SVM）分类方法的分类精度略低于RFC方法,而模型运行时间远高于RFC方法。优选特征影像随机森林分类结果总体精度与Kappa系数分别为95.63%和94.92%,其中包括37个时序EVI值和6个物候特征信息,其时序EVI数据对森林植被类型识别的贡献程度更高,物候特征信息有利于分类精度的提高。融合GF-1时序影像较融合Landsat8时序影像在多云雨、地形条件复杂的南方地区森林植被类型识别中具有更高的精度。