在经济迅猛发展过程中,人类对资源的消耗和环境的破坏导致了一系列的全球性生态环境问题。遥感技术由于具有连续性、实时性、覆盖广、不受地形地势约束、手段多、信息量大等特点而成为生态环境监测的重要手段之一。其中,遥感图像变化检测技术是利用覆盖同一地表区域的多时相遥感影像及其它辅助数据来分析和确定土地、水体、植被等地物变化的过程,已被广泛应用于民用及军事领域,对于促进全球经济可持续发展和人类社会活动具有重大意义。针对SAR图像变化检测中存在的变化语义宏观性和像素级检测微观性难以兼顾的问题,本文引入视觉显著性模型提取宏观的遥感变化语义,再利用优化方法迭代求解稳定的像素级变化检测结果实现对变化目标的完整提取,从而有效提高检测精度。本文具体工作内容总结如下:1、提出一种基于频域显著性模型和多尺度子空间优化的SAR图像变化检测方法。首先利用时相图像生成的多模态差异图进行频域多尺度检测,获得多尺度显著差异图,完成去噪声及宏观变化语义定位;其次,选取不同形状和尺寸的结构元算子对显著差异图进行形态学扩展构建多尺度结构子空间,拟合SAR图像中丰富的地物结构特征并实现对混杂信息的分离;最后,采用一种基于Nytr?m采样谱聚类的差异图融合算法,通过优化权重分配重构谱聚类相似度矩阵,获得最终的变化检测结果。实验结果表明,本文方法的综合检测精度获得有效提升。2、提出一种基于神经网络语义分割模型和局部动态能量函数优化的SAR图像变化检测方法。首先,根据相图生成的多模态差异图及扩增数据构建语义分割网络的训练和测试数据集;其次,对差异图做语义分割获得宏观语义变化信息,以分割结果为条件随机场模型(CRF)的一阶势函数,并利用多模态差异图的能量窗信息熵作为动态融合的CRF模型二阶势函数,二者共同构建遥感变化能量函数;最后采用平均场近似算法实现CRF模型推理获得变化检测结果。实验结果表明,本文方法语义准确,边界清晰,与其它检测方法相比具有更高的检测精度。