识别城中村对支持城市更新与治理至关重要，这类非正规区域对城市可持续发展构成重大挑战（研究背景）。现有多模态深度学习研究虽能精准识别单一城市的城中村，但其可扩展性受限于高昂计算成本与数据可及性。目前，利用免费开放的哨兵二号卫星数据、专为大规模标准化城中村制图设计的高效深度学习模型尚未得到充分探索（研究现状）。为此，本研究提出一种灵活框架，通过整合多时相哨兵二号观测数据与深度学习模型，实现经济高效的大规模城中村制图。具体而言：设计双分支编码器分别提取静态特征与动态特征——主分支从年度合成影像提取静态信息，辅分支通过四季影像捕捉建筑阴影引发的季节动态变化；利用融合模块实现特征联合表征，并通过跳跃连接完成城中村识别。以自建的广深样本集作为训练测试基础，以珠江三角洲为验证区域分析适用性与迁移性（研究方法）。结果表明：融合动态特征显著提升了识别精度，所提框架以83.33%的平均交并比达成最优性能，空间泛化能力突出，较传统方法提升0.46–12.49%（研究结果）。相较于多模态数据驱动方案，本框架在复杂城市环境中实施便捷，且能在大规模应用中兼顾效率与精度。该经济高效的解决方案为城中村管理与规划工作提供了高质量的大尺度制图支持（研究总结）。
