为探究光学数据和合成孔径雷达（Synthetic Aperture Radar,SAR）数据在森林类型分类中的优势和互补性，以云南省普洱市思茅区的Landsat 8数据与微波遥感SAR影像ALOS2数据相交覆盖区域为研究区，采用分层分类技术进行森林类型分类研究。构建3种特征集，光学数据特征集（光谱+植被因子+纹理+地形特征）、SAR特征集（后向散射+极化分解特征）、光学-SAR融合数据特征集（光谱+植被因子+纹理+地形+后向散射+极化分解特征），并使用递归特征消除法（Recursive Feature Elimination,RFE）对提取的3种特征集分别进行分层特征筛选，再用随机森林（Random forest,RF）、支持向量机（Support Vector Machine,SVM）对森林类型分类，光学-SAR融合数据SVM的分类效果最好。结果表明，1）在第1层（植被/非植被）分类时，总体精度为98.57%,Kappa系数为0.971;2）在第2层（森林/非森林植被）分类时，总体精度为92.14%,Kappa系数为0.826;3）在第3层（针/阔/混交林）分类时，总体精度为83.47%,Kappa系数为0.743。融合数据相比于光学数据集分类精度提高9.91%，比SAR分类精度提高24.97%;4）在融合数据集进行第3层次的分类中，对比不同窗口3×3、5×5、7×7、9×9下的光学图像纹理特征对分类结果的影响，7×7纹理窗口下精度最高。结果表明，多源数据协同的森林类型分类精度相比于单一数据源精度更高。