随着航空航天技术的发展,遥感图像处理技术已经应用到社会的各行各业中。遥感图像变化检测研究作为遥感图像处理领域的重要研究方向,在土地资源管理、军事态势监测和自然灾害监测等领域有着广泛的应用。在20世纪后期,卫星技术进入发展的快车道,遥感影像数据得到了大量的积累,突破了数据获取的瓶颈,极大推动了遥感图像变化检测研究领域的发展。但是由于遥感图像变化检测精度与卫星传感器、拍摄季节和气候环境相关,极大的增加了变化检测的难度。因此,提高遥感图像变化检测精度具有重要的研究意义。文章分析了近几年关于变化检测的论文,总结国内外该领域的研究现状。本文选取双时相多光谱和合成孔径雷达(Synthetic Aperture Radar,SAR)遥感影像作为研究对象展开研究,主要的工作包括以下几个方面。(1)开展了基于像素特征的遥感图像变化检测,首先实现了基于差值法、比值法和对数比值法的变化检测实验,并定量分析实验结果,结果显示对数比值法在处理SAR影像时有着更高的变化检测精度。然后在此研究基础上进行了基于纹理特征差异图的变化检测研究,构建基于灰度直方图特征差异图、灰度共生矩阵特征差异图和Gabor纹理特征差异图等,并使用阈值分割和模糊C均值(Fuzzy C-Means,FCM)等方法提取变化区域。对比分析了不同方法的精度评估结果。(2)采用面向对象的研究思路开展遥感图像变化检测。首先按照一定的分割准则对遥感图像进行分割,形成影像对象,然后提取影像对象的特征,并构造基于对象特征的差异图,最后提取变化区域。面向对象的遥感图像变化检测的精度取决于影像对象的分割精度。本文实现基于超像素分割和均值漂移聚类的面向对象变化检测方法,对比不同方法和不同分割尺度下变化检测精度,并分析影响其检测精度的主要因素。(3)基于遥感图像的变化检测问题可以转化为差异图的像素级分类问题。本文借鉴了全卷积神经网络(Fully Convolution Networks,FCN)的设计思路,在U-net语义分割网络的基础上进行改进,设计了一个适合遥感图像的二分类神经网络模型。首先对数据进行标记、分割和位变化等操作制作数据集,然后将制作好的训练数据集输入到设计好U-net模型中进行参数学习。通过不断调整训练学习率和迭代次数,使模型训练效果达到最优。最后将测试数据输入到训练好的模型中进行模型测试。实验结果表明本模型具较高变化检测精度和泛化能力。