随着航天技术的快速发展,遥感影像数据日益丰富,目前已被广泛应用于城市规划、资源调查、土地利用、环境保护等各方面的变化监测,遥感影像变化检测一直是遥感理论方法和技术应用研究中亟待解决的一个热点问题。近年来,相对于传统遥感影像变化检测方法,深度学习方法由于具有独特的特征自学习、模型参数自确定的能力,成为当前遥感影像变化检测研究的新途径。对于两幅不同时相的遥感影像,其变化区域体现为对应位置上的纹理特征、几何特征、光谱特征的不同,并且这些特征具有多层次特征。为此,本文在剖析现有生成对抗网络模型(GAN)特性基础之上,引入注意力机制,提出了一种基于注意力机制的生成对抗网络的遥感影像变化检测方法。主要利用注意力机制捕捉遥感影像整体和局部的联系,以加强模型对于遥感影像变化区域多层次特征的自学习能力。论文开展的主要工作包括:1、变化检测样本构建:本文利用30m分辨率、8个波段的Landsat卫星遥感影像,在分析遥感影像变化特征的基础上,搜集并通过目视解译方法,获得3600个变换检测原始样本,变化类型包括林地变化为河渠,水库坑塘变化为平原水田等多种变化类型。根据深度学习模型训练要求,设计并开发了变化检测样本处理和制作工具软件。利用样本增强功能,将原始样本扩增到10800个。2、变化检测模型设计:为了充分利用遥感影像中的丰富信息和多层次特征、提高变化检测的精度,本文将注意力机制引入到生成对抗网络模型,设计并构建了基于注意力机制的生成对抗网络的遥感影像变化检测新模型。该模型以生成对抗网络为基本构架,主要包括三个部分:1)基于卷积神经网络,构建了遥感影像的特征提取模块,为增强模型对于多层次空间特征和纹理特征的提取能力,本文在卷积神经网络上增加了注意力机制模块,主要利用注意力机制捕捉遥感影像整体和局部的联系,加强与目标对象有重要关联的区域信息。2)在变化区域生成方面,本文将不同时相的遥感影像特征进行合并,以卷积神经网络和注意力机制为基础,构建了生成对抗网络的生成器模块;3)基于卷积神经网络构建了变化区域图像的分类网络模块,获得了变化区域图像是否与真实分布一致的概率值,从而实现变化区域的判别。3、变化检测模型精度和验证:在构建的样本中使用10:1的比例进行数据集的划分,并使用了基于U-Net的变化检测模型,基于GAN的变化检测模型,基于注意力机制的GAN的变化检测模型进行了对比实验。实验表明,以整体精度和Kappa系数作为评价指标的情况下,本文的模型较其他传统深度学习方法精度分别取得了0.02和0.1的提升。