近年来科技的进步和城市化进程不断推进,地表变化日新月异。为了宏观、动态地监测与分析地表变化,多时相遥感影像变化检测成为主要技术手段之一。该技术通过对遥感影像多次观测并识别地表变化特征,得到前后地物的变化信息,进而分析出各类地物的性质、位置、和范围变化。因高空间分辨率遥感影像包含更加复杂的空间信息,所以对遥感影像的解译能力提出了更高的要求。作为遥感影像处理的一个重要环节,高空间分辨率遥感影像变化检测在城市扩张、农业调查、环境监测和灾害分析等领域得到广泛应用。传统变化检测方法在遥感影像空间特性处理方面还略显不足,显著性检测因其在空间和尺度方面的优势,已被将广泛应用于计算机视觉领域。显著检测的目的是寻找影像中能引起人眼注意的前景目标区域,选择性地忽略不感兴趣区域,使结果更具鲁棒性。此外,在具有挑战性的复杂场景中检测显著性目标区域也得到有效验证。本文在分析国内外相关成果的基础上,通过将不同显著性检测模型应用到高分辨率遥感影像变化检测之中用于提高变化检测精度。提出了三种变化检测方法,主要贡献如下:⑴提出了一种基于聚类的联合显著性检测遥感影像变化检测方法。聚类的联合显著性检测技术不仅考虑了对比度信息和空间信息,更加综合考虑了影像间的相关性信息。该方法先分别采用变化向量分析（Change Vector Analysis,CVA）和光谱斜率差异（Spectral Gradient Difference,SGD）构建差异影像;然后将差异影像进行基于聚类的联合显著性检测并进行显著性差异影像融合得到联合显著性图;最后采用大津法阈值分割和闭运算处理得到变化影像。通过将两幅差异影像进行联合显著性检测,检测结果是CVA和SGD共同的变化区域。⑵提出了一种基于判别区域特征集成显著性遥感影像变化检测方法。在显著性特征方面,相比于现有算法计算区域的对比值,该方法计算了一个对比向量,并且引入了一种新的特征向量来表征背景;同时判别区域特征集成显著性学习算法直接集成特征向量来计算显著性映射;此外,该方法基于区域,可以执行多级估计,并可以捕获非局部对比度。将三种类型的区域特征整合到一个判别策略中,进行多区域的显著性检测。⑶提出了一种基于残差注意力网络显著性检测遥感影像建筑物变化检测方法。该方法它可以以端到端的训练方式与先进的前馈网络结构相结合,其网络结构可堆叠,并且可堆叠的基本模块中引入了注意力特征图的机制,不同层次的特征图能够捕捉影像中的多种响应结果,同时使用了残差连接的方式,使得不同层的注意力模块可以得到充分学习。再加上显著性特征增强的优势,实验中将建筑物作为目标提取出来,并加强对建筑物目标提取的训练过程,增强分类效果,从而提升了变化检测精度。