随着航天航空技术的高速发展,当前对地观测系统获取空间数据的能力和质量不断提高,卫星遥感技术已经迈入亚米级时代。高分辨率遥感影像包含更加复杂的形状、纹理、结构和空间信息,因此人们获取高精度的遥感影像的同时,对解译精度又有了更高的要求。作为遥感图像处理的一个重要部分,高分辨率遥感影像变化检测在环境监测、地理数据库更新、灾害救援及城市规划等领域有着重要应用。近年来,深度学习凭借其优异的回归性能被广泛的应用到各个领域,它突破了传统算法的约束,具有很强的泛化能力。将深度学习理论应用到高分辨率遥感影像变化检测是遥感图像处理的研究热点。本文首先指出了高分辨率遥感影像变化检测课题的研究背景和意义,并对当前国内外研究现状进行阐述,分析了本课题的研究基础——卷积神经网络,并将卷积神经网络语义分割的思想引入遥感影像的变化检测中。根据ASPP提取不同感受野上下文信息的特点,结合Inception结构的多尺度特征提取融合的优势,将ASPP和Inception结构融入到Unet网络模型中,提出了ASPP Inception-Unet。该模型将Unet编码路径中每级的第一个卷积层替换为Inception结构,加强了编码路径的特征提取和获取上下文信息能力,在进行上采样之前,将包含高层语义信息的特征图输入到ASPP模块,用以获取不同尺度的特征,通过以上改进,提升网络变化检测性能。根据残差结构的特征提取能力、结合FPN多尺度预测的特点,将残差结构和FPN融合到Unet模型中,建立FPN Res-Unet模型,该模型以Unet为基础,引入Resnet18的残差结构作为特征提取层,在扩张路径每级上采样过程中,拓展支路径将FPN融合到模型的网络主干中,充分地将残差结构、Unet和特征金字塔网络的优点相互融合,增强了网络的特征提取能力,弥补了语义分割网络对小目标检测和抑制噪声能力的欠缺,使得网络在获取高层语义信息的同时关注细节信息,提高变化检测精度。利用GF-2多时相影像,制作了一套GF-2的建筑物变化检测数据集,同时使用了其他3套异源的开源变化检测数据集,共同作为实验数据。将ASPP Inception-Unet、FPN Res-Unet、FCN和Unet在4套数据集分别进行变化检测实验,结果表明ASPP Inception-Unet和FPN Res-Unet相较FCN和Unet在变化检测任务上表现出更好的性能,平均F1值提高了3.7%、5.5%和5.5%、7.3%,具有更好的泛化能力和应用价值,可以为土地资源管理、地理数据库更新、城市规划等提供更高效的方法。