随着科技的不断进步,社会各界对图像精度要求的不断提高,以及合成孔径雷达(Synthetic Aperture Radar,SAR)图像具备分辨率高、覆盖面积大,且不受天气、大气、光照、温度等影响的特点,使得SAR图像的变化检测日渐成为学者们研究的热点问题。SAR图像的变化检测指的是对不同时间、同一地点所获取的图像进行处理,然后获取变化信息的过程。本文主要针对现有的SAR图像变化检测方法中存在的对噪声的鲁棒性差和精确度低等问题进行研究,主要内容如下:(1)提出了一种非监督的基于模糊C均值与改进的双边滤波的SAR图像变化检测方法。在该方法中,首先,使用Lee滤波器对图像做预处理,滤除原始图像中的部分斑点噪声。其次,分别通过邻域对数比和高斯对数比方法构造差异图,并利用改进的双边滤波方法,将这两幅差异图融合在一起,经由中值滤波器,形成最终差异图,从而构造一幅高性能的差异图,该方法充分地利用了邻域信息,能有效去除斑点噪声。最后,使用改进的模糊C均值(FCM)对差异图进行聚类,该方法在一定程度上弥补了模糊聚类对噪声敏感的缺陷,得到了更加准确的检测结果。(2)提出了一种基于核模糊C均值与条件空间的SAR图像变化检测方法。在该方法中,首先,将核函数引入FCM算法中,并用改进的FCM对差异图进行聚类,得到该差异图的隶属度矩阵。由核函数代替FCM算法中非鲁棒的欧氏距离,可以在一定程度上弥补FCM算法对斑点噪声敏感的缺陷。其次,根据条件空间方法,对差异图的隶属度矩阵进行再次修改,得到新的隶属度矩阵和聚类中心,该方法根据像素点的空间信息和邻域信息对隶属度矩阵做进一步的修正,得到更准确的隶属度矩阵,进而得到更加准确的检测结果,并进一步增强了所提方法的鲁棒性。(3)提出了一种基于模糊C均值与深度学习的SAR图像变化检测方法。在该方法中,首先,分别使用聚类和联合分类的方法来对图像进行预分类,产生三个带有类标的矩阵。其次,分别从由这两种方法产生的矩阵中挑选合适的样本点,并组合在一起,形成训练样本。因为每种预分类的方法都会产生误差,所以选取到不合适的样本点的概率很大。考虑到训练样本的正确率直接决定了分类结果的正确率,使用两种方法进行预分类,并分别选取其中正确率最高的样本点组合在一起,得到高精确度的训练样本。该方法在一定程度上克服了所选取的样本点的误差带来的影响。