遥感图像变化检测通常是利用对同一地区在不同时期拍摄的遥感图像，采用图像处理和模式识别等手段，检测出该地区的地物变化信息，它在环境、农业、水利和军事等诸多领域都有着非常广泛的应用。目前大部分的研究集中在对中、低空间分辨率的遥感图像进行变化检测，而基于高空间分辨率图像的变化检测方法与应用的研究比较少。高空间分辨率遥感图像相对于中、低空间分辨率图像而言，图像中的目标地物信息表现丰富多样，具有精细的地物空间结构和分布信息，同时其数据量巨大，背景信息复杂，噪声信息干扰严重，“同物异谱”和“异物同谱”现象明显，这都给高分辨率遥感图像变化检测，带来了极大的困难。本论文围绕高分辨率遥感图像的变化检测展开如下几方面研究：　　 ⑴基于面向对象图像分析的思想，以对象为基本分析单元，提出了一种基于对象相似度的变化检测方法，其基本步骤是：首先对两时相的数据进行差值，以获得反映两时相差异特征的数据，然后采用光谱、形状特征结合的分割方法对遥感差值图像进行分割，将分割结果分别嵌套到两个时相的数据上以获得待分析的对象，计算相应对象灰度特征的相似度，对相似度设置适当的阈值，就可得到变化区域。该算法能有效的消除“椒盐”噪声，且对预处理误差有较强的鲁棒性。　　 ⑵ 由于使用单一特征进行变化检测，会造成误检或漏检，所以提出了一种多特征证据融合的变化检测方法。该方法利用滑动窗口计算两时相图像三种特征的结构相似度，以之构建D-S证据理论的基本概率赋值函数并进行证据合成，通过规则判定得到图像变化区域。通过对不同试验区、不同证据组合方式以及算法间的比较实验表明，相对单一特征检测，该算法有效地提高了检测的精度。此外，由于采用统计而非原始图像特征进行特征相似性度量，算法还具有对辐射、几何配准精度要求较低等优点。　　 经实验，以上两种方法都能较好的检测出变化区域，但也存在不足。基于对象相似度的变化检测的检测结果依赖于分割尺度选择，并且界定变化区域的阈值是由人根据经验来选取的，所以可在分割尺度选择和相似度阈值设定方面进行研究；在基于多特征证据融合的变化检测方法中使用了滑动窗口技术进行特征相似度的计算，会产生“边缘效应”而造成一定的误检，所以在由特征到相似度这个过程还需要进一步的研究。