随着卫星遥感技术的迅速发展,高分辨率多光谱遥感影像已经成为变化检测的重要数据源。高分辨率遥感影像包含了更加丰富的信息,但也引入了更多干扰因素,对如何合理且有效的利用这些信息进行目标变化检测提出了新的挑战。近年来,由于深度学习技术具有表现力强、泛化能力高等特点,其在遥感领域的应用日趋深入,为变化检测算法的优化提出了新的思路。论文通过对国内外遥感影像变化检测研究现状的调研与分析,从数据源选择、数据预处理、变化特征提取、变化分析、后处理和精度评价六个阶段对变化检测的技术路线进行了总结。在此基础上,针对高分辨率遥感影像数据量大、精度高、特征复杂、标注困难的特点,提出了一套基于超像素和孪生卷积神经网络的无监督变化检测方案。该方案首先在经过必要的正射校正、影像配准、直方图匹配等预处理后,使用超像素分割与合成算法对多时相遥感图像进行分块,并以超像素为单位进行局部特征的计算和样本选择,实现对影像中具有明显倾向性的变化或未变化区域的自动标注。之后,以标注结果为样本训练孪生卷积神经网络模型,对图像变化情况进行分类,并进行降噪和形态学滤波等后处理,得到最终的变化检测结果。实验表明,在高分二号卫星遥感影像数据集上,本方案的各项指标都大大优于传统变化检测算法,Kappa系数平均提升0.3,平均总体错误率低于3.5%,检测结果具有更高的实用价值。