以洪河国家级自然保护区为研究区，选取了多时相的Sentinel-1B和Sentinel-2A影像为数据源，制定出9种多时相主被动遥感数据组合方案，用于沼泽湿地遥感分类；分别对根据9 种方案整合的多维数据集，进行基于尺度继承的多尺度分割，得到面向对象的分割影像，建立与不同方案对应的特征数据集；采用随机森林机器学习算法，对多维特征数据集进行特征优化，并进行参数调优，构建沼泽植物的最优遥感识别模型，实现对沼泽湿地中地物的识别与分类。研究结果表明，采用递归特征消除(recursive feature elimination，RFE)算法的变量优选和采样随机森林的参数调优，可以优化随机森林模型，显著减少数据冗余，整合多时相主被动遥感数据方案九的随机森林模型的最佳参数mtry 和ntree 分别为4 和1 500，模型训练精度为93.06%，Kappa 系数为0.916，其模型训练精度在所有方案中最高；经过变量优选得到最佳特征变量组合，交叉极化方式的后向散射系数(Mean_VH)对于沼泽分类的重要性比同向极化方式的后向散射系数(Mean_VV)高；光谱特征是遥感图像分类的最主要特征，其中，红光和绿光波段(Mean_R 和Mean_G)、多光谱红边波段(Mean_REG1 和Mean_REG2)、近红外波段1(Mean_NIR1)、红边植被指数(CIgreen 和CIreg)都对分类具有较高的重要性；纹理特征熵(GLCM_Entro、GLCM_Ent_2)和位置特征像元坐标(X_Min_Pxl 和Y_Max_Pxl)对沼泽湿地分类也起到重要作用，相对于其它特征，形状特征对分类的贡献性较小；利用方案九的数据得到的分类结果的总体分类精度为94.42%，主被动遥感数据的特征变量和不同时相的特征变量都对分类做出重要贡献，其中，6 月的多光谱特征变量的贡献大于9 月的变量；9 月的SAR特征变量的贡献大于6 月的变量；对分类贡献最大的9 月的特征变量为多光谱红边波段2(Mean_REG2)，对分类贡献最大的6 月的特征变量为绿光波段(Mean_G)；融合多时相主被动遥感数据源，可以将不同数据源、不同时相对分类具有较大贡献的特征变量集合在一起，充分利用光谱信息和雷达数据反映的结构信息，构建多维度最佳特征变量组合方案，有效提高沼泽湿地分类精度。