随着现代社会科学技术的不断发展,利用雷达遥感获取对地观测信息已经成为当下监测地面信息的重要途经。而在众多雷达遥感系统中,合成孔径雷达(SAR)逐渐成为获取对地观测图像信息必不可少的一种方式。SAR图像变化检测是指对从同一地区不同时刻获得的多时相SAR图像中出现的变化情况进行分析的过程。目前,SAR图像的变化检测已广泛应用于水文、农林、大气、海洋等环境监测、城区建设等市政监测以及军事部署、灾害评估等多个方面。本文围绕SAR图像变化检测方法存在的精度不高、自适应性较差等问题,开展了以下几项研究工作:(1)提出了一种基于生成对抗网络和进化算法的SAR图像变化检测方法。该方法在预处理部分采用稀疏自编码器分别学习不同时相的SAR图像,得到不同时相图像对应的特征图像,再用变化矢量分析法求得高维特征图像所对应的差异图。在传统进化算法的基础上,考虑引入生成对抗网络模型,从而实现对差异图的有效分类。该方法在尽可能保留初始图像特征信息的同时,较好地避免了传统进化算法中交叉、变异算子的人为影响,对于SAR图像变化检测问题中图像预处理、生成差异图以及对差异图进行分类均体现了较好的自适应性。(2)提出了一种基于生成对抗网络和多目标优化的SAR图像变化检测方法。该方法将多目标优化算法与生成对抗网络模型相结合,对差异图进行分类。该方法在预处理阶段尽可能保留SAR图像主要有效特征的基础上,引入进化多目标优化算法,通过生成对抗网络对选择得到的优势种群进行更新,同时考虑采用模糊聚类方法在得到最优聚类中心后对图像进行分类,提高了算法的自动化性能,进一步保持了算法较好地局部和全局搜索能力,并将算法的应用场景扩展到多分类问题中,扩大了算法的适用范围。(3)提出了一种基于双自编码生成对抗网络和多目标优化的SAR图像变化检测方法。该方法在传统生成对抗网络模型的基础上考虑引入自编码器重构网络的生成模型部分,从而构建了双自编码生成对抗网络模型。将双自编码生成对抗网络模型与进化多目标优化算法结合,对差异图进行分类。该方法构建了新型的生成对抗网络模型,进一步考虑学习输入样本的语义信息以便加深生成对抗网络的学习效果,提高了生成对抗网络模型的稳定性和准确性,在概率分布层面提升了生成对抗网络模型的学习能力,并使得多目标优化方法的性能得到改善。