准确的茶园分布信息可以为土地利用规划、种植布局优化提供科学的决策支撑，有助于推动茶产业可持续发展。本文基于GF-2　PMS影像的RGB波段，Sentinel-2光学影像计算的NDVI,Sentinel-1时序SAR数据构建的物候特征(包括茶树生长幅度(Growth　amplitude,　GA)和生长期长度(Growth　length,　GL)),以及GF-7立体像对影像计算的坡向、坡度、曲率，构建了茶园多模态遥感特征，并通过随机森林特征优选出最佳组合。利用双分支网络联合学习策略，以AMLNet(Attentional　multiscale　lightweight　encoder-decoder　network)为第1分支，Vanilla　AMLNet为第2分支，构建耦合多模态信息的双分支网络模型MIPBNet(Multi-modal　information　parallel　branch　network);利用特征融合模块(Dual-branch　feature　fusion　block,　DBFF)在解码器末端进行特征级融合；利用复合损失函数进行优化训练。研究结果表明：NDVI+GA+坡向+坡度组合最能提高茶园分类精度。基于RGB数据依次加入NDVI、GA、坡向、坡度的组合方案，实验结果表明，融合多模态特征后，茶园提取结果漏提和误提现象明显减少，总体精度提升3.11个百分点。与典型的语义分割模型UNet、UNeXt、Segformer相比，MIPBNet的单分支AMLNet获得了更优的茶园提取结果。