为准确获取森林冠层高度信息，精确估计森林地上生物量及评估森林碳汇能力，基于长时序的地面实测、多源遥感数据与数字高程模型构建30个长时序的特征变量，结合机器学习算法（Machine Learning,ML）对浙江省丽水市的森林冠层高度进行反演。研究表明，地形因素对森林冠层高度的反演呈“不重要性”，而与红绿波段相关的植被因子、森林冠层高度强相关；加入长时序的特征因子可有助于提升ML算法对森林冠层高度反演精度，卷积神经网络（Convolutional Neural Network,CNN）提升的性能尤为显著，实现最佳0.39的决定系数（R²）提升与4.15的均方根误差(R_MSE，式中记为R_MSE)下降；随机森林在4种ML算法中的反演精度最高(R²=0.79,R_MSE=1.65)，大于支持向量机(R²=0.65,R_MSE=1.97)、极端梯度上升法(R²=0.76,R_MSE=1.81)与卷积神经网络(R²=0.71,R_MSE=1.83)。