遥感图像变化检测是遥感图像处理技术的主要研究方向之一,它是对同一地区不同时间所拍摄的多幅遥感图像进行定量分析区域变化信息的一种技术。随着近几年遥感图像变化检测技术的不断发展,其研究工作已经从最初的仅对遥感图像变化特征提取延伸到了植被覆盖面积变化动态监测、军事目标战略检测、灾害评估等应用领域。目前,遥感图像变化检测方法大致可分为两类:有监督学习方法和无监督学习方法。其中有监督学习方法需要专业人士消耗大量的精力去手工标注制作训练样本和标签数据,因此,利用有监督学习方法进行遥感图像变化检测的研究工作和实际应用相对较少。而无监督学习方法避免了消耗大量人力进行标注数据的问题,在遥感图像变化检测领域中受到更多关注。本文在无监督学习遥感图像变化检测技术的基础上,提出两种变化检测方法来解决遥感图像变化检测的效率和精度,并将其应用到飞机位置变化检测研究中。本文主要研究内容如下:（1）针对传统谱聚类算法因其计算量过大而导致无法在普通计算机上进行处理分析的问题,提出了一种基于连通区域标记方法和谱聚类算法的遥感图像快速变化检测方法。该方法研究思路为:一、输入多时相遥感图像并进行图像预处理;二、通过代数运算生成两种差异图像并进行非局部均值算法融合;三、对融合后的差异图进行ROI（Region of Interest）分割窗口提取后再通过结合超像素分割方法的谱聚类算法进行变化检测。将该方法应用到高分辨率遥感图像进行仿真实验,与标准参考图进行对比后发现存在较高的一致性且处理速度比传统方法提升千倍以上。该方法在一定程度上解决了普通计算机上应用谱聚类算法实现遥感图像变化检测的可行性问题。（2）为提高遥感图像变化检测精度,研究内容（1）的基础上提出了一种基于改进邻域比差异图和谱聚类算法的高精度遥感图像变化检测方法,以实现高精度遥感图像变化检测。研究思路:一、在图像滤波阶段使用基于低秩稀疏分解和结构张量矩阵的图像滤波方法;二、在差异图构造阶段应用一种基于偏置分配的邻域比值差异图构造方法;三、在处理差异图阶段引用并行处理方式对分割子图进行高效并行处理;四、在生成检测图阶段对初次检测图的变化区域在进行精细处理。仿真对比实验证明,该方法在遥感图像变化检测处理中表现优秀,并且相关评价指标高于其它算法,充分体现出该方法在高精度图像检测的有效性。相比于传统谱聚类在256G超大内存中运行结果,该方法也有着较高的适用性,达到了利用普通计算机硬件环境实现基于谱聚类算法的遥感图像变化检测目的。（3）设计一种基于谱聚类算法的遥感图像变化检测方法在飞机位置变化检测的延伸应用,实现了利用遥感图像检测出位置变化的飞机,并将其在原遥感图像中进行位置标记。研究工作主要包括遥感图像变化检测和基于深度学习的图像识别组成。其中遥感图像变化检测工作是利用谱聚类算法对多时相遥感图像经代数运算生成的差异图进行变化特征分析,再结合连通区域标记算法将ROI子图进行提取;在图像识别阶段,使用深度学习VGG网络先对训练集进行训练生成模型,再将ROI子图对比训练模型进行分析决策。确定是位置变化的飞机目标,则在初始遥感图像中进行位置标记。本文所有的研究内容均是以谱聚类算法为基础,在遥感图像变化检测领域进行科研探究工作。研究内容不但解决了基于谱聚类算法的遥感图像变化检测方法检测速度慢和检测精度低的问题,还设计了一种基于该方法的延伸应用。研究内容不仅具有很高的研究价值而且还有宽广的应用前景。但是目前的研究主要针对简单的遥感图像,未来工作会对高光谱图像进行变化检测。