遥感影像变化检测旨在从多时相遥感影像中确定与获取感兴趣的地物要素变化,这在城市规划、环境监测、经济发展、国防建设等领域有重要的应用。深度学习为遥感影像变化检提供了新思路,它能够从多时相影像中自动学习特征,高效准确地提取变化信息。然而,基于深度学习的变化检测方法存如下问题:变化信息较少,相对大场景中的非变化信息是稀疏的,标注数据类别间存在不平衡;需要手工标注大规模数据集进行训练,标注成本极高。本文围绕这些问题,设计了改进的变化检测网络,以提取感兴趣变化的高级语义信息;探索了数据-知识联合驱动的变化检测方法,将语义知识与迁移知识融入变化检测网络,在稀疏标记与小样本条件下提升了检测精度。本文的研究内容及成果如下:1.为了准确获取变化地物要素的语义信息,首先引入了两种改进的注意力机制模块,用于捕获特征长距离依赖性。在此基础上构造了两种变化检测网络,包括Non-local Net、CNN-transformer。接下来利用视觉Transformer构建了Naive-VIT以及Mask-VIT。系统对比了几种变化检测模型的性能,实验结果表明:改进的注意力模块能够改善特征,Non-local Net与CNN-transformer的性能相比于Baseline模型有明显提升,在WHU数据集上F1平均提升大于1.3%,在S2Looking数据集上平均F1提升大于3%,在LEVIR-CD数据集上平均F1提升大于2%。2.为了应对变化信息稀疏导致的预测精度低问题,将语义知识引入变化检测网络,提出了知识-数据联合驱动的语义辅助变化检测方法。训练阶段构造了语义和变化的双重监督损失,测试阶段将语义分割分支去掉,只保留变化检测分支获得最终的变化图。在WHU等数据集上进行实验,实验结果表明:语义知识辅助的变化检测网络能够显著提升变化检测性能,当采用较少数据训练时变化检测F1平均提升大于8%;当采用大规模数据训练时,变化检测F1平均提升超过4%。同时,在半监督训练的情况下也能有效提升变化检测性能。3.为了应对标注数据获取难的问题,提出了一种自监督学习知识迁移策略。首先通过自监督学习在遥感影像数据集上进行预训练,然后通过模型迁移应对标签缺乏问题。在WHU等数据集上进行实验,实验结果表明:知识迁移的自监督学习能够有效的从遥感影像原始数据中学习到可用知识,相比于不采用模型迁移的方法F1平均提升1%-2%。同时,将自监督学习的知识迁移与语义辅助变化检测方法结合,在变化检测数据集上得到了较好的结果。