Estudios anteriores se han centrado principalmente en la extracción de cultivos de cebada de tierras altas utilizando imágenes fenológicas individuales, lo que ignoró la selección del período fenológico óptimo para la clasificación. Utilizando múltiples imágenes fenológicas de Sentinel-2 para construir 25 características, incluidas características espectrales, de borde rojo, vegetación y textura, se empleó el algoritmo de eliminación de características recursivas y el algoritmo de bosques aleatorios (RF) para optimizar conjuntos de características para diferentes etapas fenológicas, que luego se utilizaron para la identificación y clasificación de cebada de tierras altas por RF. Los principales resultados fueron los siguientes: (1) La extracción de información basada en combinaciones de optimización de características produjo una buena precisión general de clasificación, con precisiones de clasificación para la cebada de tierras altas del 92.56% (etapa de espigado), 90.90% (etapa de encabezado), 90.74% (etapa de floración), 91.55% (etapa de maduración de la leche) y 90.51% (etapa de madurez), respectivamente. (2) NDVIre1 tuvo la puntuación de importancia más alta (0.1792) en la combinación de selección de características, lo que indica que el índice de borde rojo contribuyó significativamente a la extracción de información y clasificación de cultivos. (3) Las cinco variables de características-GLCM_Mean, RVI, homogeneidad, MAX y GLCM_Correlation-mostraron estabilidad y universalidad en la extracción de cebada de tierras altas. Estos resultados demostraron que las imágenes derivadas de las etapas fenológicas de espigado y maduración de la leche tenían la mejor aplicabilidad para la extracción de cebada de tierras altas, y los conjuntos de características optimizados que se componían de NDVIre1 eran propicios para detectar y monitorear los cultivos de cebada de tierras altas en las regiones montañosas del noroeste de China.