La extracción oportuna y precisa de información sobre la estructura de siembra de cultivos es de gran importancia para la seguridad alimentaria y el desarrollo agrícola sostenible. Sin embargo, los datos de series temporales con alta resolución espacial tienen un volumen de datos mucho mayor, lo que limita seriamente la calidad y eficiencia de la aplicación de teledetección a la agricultura en áreas de rotación de cultivos complejas. Para abordar este problema, este documento toma el condado de Lujiang, una región típica de rotación de cultivos complejos en la región media e inferior del río Yangtsé en China, como ejemplo, y propone utilizar la plataforma Google Earth Engine (GEE) para extraer el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de Amarillez de Diferencia Normalizada (NDYI) y la Polarización Vertical-Horizontal (VH) conjuntos de series temporales de todo el año de siembra, y combinar la segmentación multi-escala Simple No Iterativa Clustering (SNIC) con los algoritmos de Support Vector Machine (SVM) y Random Forest (RF) para realizar la información de siembra rápida y de alta calidad de los principales patrones de rotación de cultivos en la región de rotación compleja. Los resultados muestran que al combinar series temporales y métodos orientados a objetos, SVM conduce a una mejor mejora que RF, con su precisión general y coeficiente Kappa aumentando en un 4,44% y 0,0612, respectivamente, pero RF es más adecuado para extraer la estructura de siembra en áreas de rotación de cultivos complejas. El algoritmo RF combinado con la extracción orientada a objetos de series temporales (OB + T + RF) logró la mayor precisión, con una precisión general y un coeficiente Kappa de 98,93% y 0,9854, respectivamente. En comparación con el enfoque orientado a píxeles combinado con el algoritmo de Máquina de Vectores de Soporte basado en datos multitemporales (PB + M + SVM), el método propuesto reduce efectivamente la presencia de ruido tipo sal y pimienta en los resultados, lo que resulta en una mejora del 6,14% en la precisión general y 0,0846 en el coeficiente Kappa. Los resultados de la investigación pueden proporcionar una nueva idea y un método de referencia confiable para obtener información sobre la estructura de siembra de cultivos de manera eficiente y precisa en áreas de rotación de cultivos complejas.