近年来遥感技术和深度学习发展迅速,遥感图像变化检测在低分辨影像数据集上取得了重大突破。该技术在国民经济、国防建设等各方面都扮演着极其重要的角色,智能且精确的变化检测算法对发掘多时相遥感影像数据潜能具有重要意义。对于高分辨率遥感图像而言,其高度复杂的空间结构、预处理困难以及人工标注困难等问题存在,导致大多数算法性能退化。鉴于深度学习理论在计算机视觉领域取得了巨大的成就,已有学者将深度学习应用于遥感影像变化检测任务中,并获得较高的检测精度。在对高分辨率遥感图像特性和变化检测算法充分研究的基础上,本文主要研究了基于深度卷积神经网络的变化检测模型。本文主要包括以下两个工作:(1)本文提出了一种基于高斯金字塔和深度卷积神经网络的变化检测模型。该模型引入高斯金字塔中图像的多尺度表示,改善了数据集中变化样本与未变化样本之间的差异性。首先对多时相像素块做高斯模糊和降采样处理,分辨率较高的像素块中保留了更多的纹理特征信息,分辨率较低的像素块中则保留了轮廓、背景等特征信息。然后使用基础网络模型分别从不同尺度的多时相像素块中提取特征信息,最后利用全连接层融合高级语义特征,并通过逻辑回归层输出中心像素变化概率。实验结果表明了该算法的有效性。(2)本文提出了一种基于Hebbian稀疏理论和深度卷积神经网络的变化检测模型。本文设计的稀疏卷积模块采用多通路设计,每条通路使用不同数量的3*3卷积层和1*1卷积层来提取不同等级、不同尺度的特征,其中通过1*1卷积层来实现跨通道的信息整合,把相关性很高的、在同一个空间位置但是不同通道的特征聚合在一起,使得模型在通道方向上呈现稀疏性。稀疏模型可以大幅度削减了参数的相互依存关系,在一定程度上缓解了过拟合问题的发生,使模型具备了高效的学习能力和高容量的表达能力。对不同场景的高分辨率遥感图像进行实验,表明该算法的有效性。