遥感影像变化检测是利用同一位置不同时相的影像数据对研究区域变化信息提取的过程,是遥感技术领域的一个重要的应用,也是战场动态监测和地理国情监测的重要手段。不同时相的影像数据在成像过程很容易受到外界环境和传感器性能差异的影响,造成严重的“光谱混叠”现象,直接影响到变化检测精度。因此如何在变化检测过程减少这些不确定性因素的影响,提取主要变化信息,是变化检测的研究热点和难点。模糊集理论以及模糊聚类算法采用隶属度的形式描述样本的模糊性,在处理模糊性和不确定性问题中体现出较大的优势。论文针对光学遥感影像自身的特点,以模糊聚类算法为基础,分析经典变化检测算法的局限性并提出相应的改进方案。所做的主要工作和创新点如下:1.针对传统基于像素的变化检测结果较为破碎,易产生较多“椒盐现象”的问题,提出一种基于改进的一型模糊聚类的遥感影像变化检测方法。首先利用变化矢量分析法对已配准的遥感影像构造差异影像,再利用改进的一型模糊聚类算法对差异影像进行分割,通过在目标函数中添加带有邻域信息的模糊项进行迭代聚类,最后实现地物变化信息的提取。与传统检测方法进行对比,该方法能有效降低破碎像斑的数目,更好地保持变化地物的结构和形状,突出主要变化目标,提高变化检测精度。2.针对遥感影像存在“同物异谱”、“同谱异物”等不确定性问题,提出一种自适应区间二型模糊聚类的遥感影像变化检测方法。由于光学遥感影像光谱混叠现象严重,传统一型模糊聚类算法难以描述其高阶不确定性,不能准确对差异影像进行准确建模分割出变化信息。因此,在引入区间二型模糊聚类基础上,采用一种自适应区间二型模糊聚类分割算法,利用自适应距离度量的方式更新隶属度不仅可以降低传统区间二型模糊聚类算法对参数的依赖,还能有效地利用空间邻域信息,并通过迭代实现地物变化信息的提取。3.为去除差异影像中的“伪变化信息”,同时有效利用影像的多维特征,提出一种基于显著图与多核聚类算法的变化检测流程。采用图像显著性检测技术对差异图像进行处理,通过多个高斯滤波抑制高频信息,并在显著差异图的基础上采用分块技术来提取区域特征以减少配准误差的影响;针对多维区域特征权重不一致的问题,采用一种多核模糊聚类的方式进行二分类,通过最小化目标函数自动求得各个特征的最优权值,从而实现变化信息的提取。