El té es un cultivo económico especial que está ampliamente distribuido en áreas tropicales y subtropicales. Acceder de manera oportuna y precisa a la distribución de las áreas de plantaciones de té es crucial para una supervisión efectiva de las plantaciones de té y un desarrollo agrícola sostenible. Los métodos tradicionales para la extracción de plantaciones de té dependen en gran medida de la ingeniería de características, lo cual requiere recursos humanos y materiales costosos, y a veces es difícil lograr los resultados esperados en términos de precisión y robustez. Para aliviar tales problemas, tomamos el condado de Xinchang como área de estudio y propusimos un método para extraer plantaciones de té basado en redes de aprendizaje profundo. Los módulos de red neuronal convolucional (CNN) y red neuronal recurrente (RNN) se combinaron para construir un modelo R-CNN que puede obtener automáticamente información espacial y temporal de imágenes de teledetección multitemporales Sentinel-2 de plantaciones de té, y luego se predijo la distribución espacial de las plantaciones de té. Para confirmar la efectividad de nuestro método, se utilizaron máquina de vectores de soporte (SVM), bosque aleatorio (RF), CNN y métodos RNN para experimentos comparativos. Los resultados muestran que el método R-CNN tiene un gran potencial en la tarea de extracción de plantaciones de té, con una puntuación F1 y IoU de 0.885 y 0.793 en el conjunto de datos de prueba, respectivamente. La precisión de clasificación general y el coeficiente kappa para toda la región son de 0.953 y 0.904, respectivamente, lo que indica que este método posee una mayor precisión de extracción que los otros cuatro métodos. Además, encontramos que el índice de distribución de plantaciones de té en áreas montañosas con pendientes suaves es el más alto en el condado de Xinchang. Este estudio puede proporcionar una base de referencia para la elaboración detallada de la distribución de plantaciones de té.