持续、重复、大范围的卫星遥感观测一直是进行地表覆盖变化检测的重要手段,随着高时间分辨率、高空间分辨率、高光谱分辨率遥感影像数据的快速积累,基于海量遥感数据下的变化检测成为了遥感领域研究的热点,各种新的变化检测方法也随之涌现。遥感影像时间序列数据蕴含了地物在时间和空间上的大量信息,如何有效地挖掘遥感影像上的时空信息对遥感影像的应用有着至关重要的作用,而目前变化检测方法往往不能充分挖掘和利用遥感影像上的时空信息,导致其精度不足、自动化程度不高等问题。循环神经网络(Recurrent Neural Network,RNN)由于反馈机制的存在,能够有效地挖掘时间序列数据的信息,已经成功应用在机器翻译、语音识别和计算机视觉等领域,并逐步扩展到各个综合性领域。为此,本文将循环神经网络引入遥感影像处理中,目的是借助工业界先进的模型提高遥感变化检测应用中的精度和自动化程度。根据循环神经网络的特点和本文的研究目标,本文利用基于长短期记忆网络模型的变化检测方法,针对通用的中分辨率变化检测问题,旨在解决大数据背景下变化检测中的复杂性和困难性问题,进一步探索了循环神经网络在遥感变化检测的应用。本文围绕循环神经网络模型,对遥感中分辨率变化检测中涉及的问题展开了一系列研究,针对不同空间尺度、不同光谱分辨率的遥感影像进行了一系列实验,论文的主要研究内容和创新点包括以下两点:构建了基于循环神经网络的深度学习模型用于变化检测。本文将用于处理时序数据的循环神经网络模型应用在遥感变化检测领域,结合遥感数据,利用具有细胞状态的长短期记忆网络单元(Long Short-Term Memory,LSTM)作为RNN的基本单元,构造多隐藏层的神经网络模型进行变化检测,利用循环神经网络权重共享的优势处理时间序列数据,同时加入长短期记忆网络模型的细胞状态“记忆”影像变化信息,利用后向传播算法和随机梯度下降进行模型的训练,实现对多时相序列影像数据的处理,同时,通过设计验证集选择合适的网络结构和参数进行模型调优,探索了RNN用于中分辨率变化检测的技术路线和方法框架。利用了中分辨率高光谱影像和中分辨率多光谱影像验证方法的可行性。本文分别利用高光谱影像,多光谱影像进行二分类、多分类模型实验,分层次分别解决了变化检测的两个基本问题:标定变化的区域,鉴别变化的性质。实验结果表明,利用RNN模型进行变化检测的方法降低了模型的复杂性,可以应对不同应用场景下的不同变化检测需求,提高了变化检测自动化程度和精度,同时和其他方法进行对比评价,证明了RNN模型在可靠性和精度上优于其他方法,验证了利用RNN模型进行变化检测的可行性。