变化检测是遥感应用研究领域的重要主题,随着遥感技术的不断进步,影像空间分辨率越来越高,基于高空间分辨率遥感影像(下文简称“高分影像”)的变化检测受到了越来越多的关注,成为新的热点。将基于中低分辨率影像发展而来的变化检测方法直接移植到高分影像很难获得理想的结果,现有针对高分影像的变化检测方法也都存在各自的不足与局限。本文以前人的相关研究成果为基础,针对现有高分影像变化检测方法在检测精度与效率等方面存在的问题,集成超像素分割与主动学习样本选择策略,提出一种新的解决方案。论文的主要工作与成果如下:(1)简要地梳理了遥感变化检测领域的代表性研究成果,总结了高分影像变化检测的研究现状,分析了现有相关研究成果存在的主要问题,提出超像素分割与主动学习相结合的高分影像变化检测解决方案与配套的技术路线。(2)深入研究了现有主流超像素分割算法的特点,通过实证研究比较了常用的四种超像素分割算法的性能,论述了简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素分割算法的相对优势。(3)将超像素分割分别与基于边缘和基于高斯过程的主动学习采样策略相结合提出两种高分影像变化检测方法。前者针对基于边缘的主动学习策略存在的样本信息冗余问题,利用余弦角距离相似性度量准则剔除相似样本,在保证样本多样性的同时,减少人工标注成本;后者在实现过程中采用了一种以新样本对模型整体影响最大为标准的采样策略。分别以WorldView Ⅱ和QuickBird两种影像进行实验,结果表明二者均优于现有同类方法,后者的比较优势更加显著。