伴随遥感卫星技术的不断发展,民生所用的遥感影像空间分辨率和时间分辨率都有了很大的提高,这也对遥感变化检测技术提出了更高的要求。遥感变化检测是通过对同一地区进行多次观测,进而获取该地区在观测间隔中发生的变化。变化检测一直都是遥感领域中最重要的研究之一,其在各个领域都有巨大影响力。随着城市化进程的不断推进,城市管理也越发重要,违章建筑的及时发现是城市管理者的重要工作之一;自然灾害对人类的打击是巨大的,我国也成立了专门的灾害应急响应部门,以应对灾害的突袭,及时进行救援工作。遥感建筑物变化检测为上述工作提供了便利。深度学习技术的发展,推动了计算机视觉的各个方向的研究进程。当然,也为遥感影像中的视觉问题提供了新的技术方法。本文主要对高分辨率遥感影像中的建筑物变化检测问题进行了研究和分析,并将待检测的遥感场景分为两类:1)以国外乡村为代表的建筑物分布稀疏、规律的简单场景;2)以国内城市为代表的建筑物密集、分布不均匀而且建筑物高低参差不齐的复杂场景。简单场景下,建筑物变化检测预测结果存在边界不完整、不规则等问题;复杂场景下,现存方法中依然存在大量高层建筑误检问题。本文使用深度卷积神经网络模型分别在两类场景下实现两时相的像素级建筑物变化检测。本文包括以下三个方面的主要工作:（1）针对简单场景下,现今建筑物变化检测工作未能将对象级和像素级特征相结合的问题,设计了双任务约束的深度孪生网络（Dual Task Constrained Deep Siamese Convolutional Network,DTCDSCN）模型。DTCDSCN同时执行变化检测任务和建筑物语义分割任务,有效地将对象级语义特征信息和像素级变化特征进行了融合。其预测结果像素精度高且变化建筑结果轮廓完整、噪声少。在WHU建筑物变化检测数据集上验证了DTCDSCN的有效性。（2）针对复杂场景下,高层建筑物视角差异导致两影像上像素偏差过大的这一难题,设计了多尺度约束的卷积变化检测网络（Multi-scale Constrained Change Detection Network,MSCM-CDNet）模型。DTCDSCN利用多尺度监督的方法,强制模型在此场景下考虑更大感受野特征,并促进模型对多个尺度的特征进行融合,以减轻高层建筑物视角差异导致的大量误检问题。在Sense Time变化检测数据集上进行了实验并对结果分析,验证了MSCM-CDNet有效减少误检情况。（3）将DTCDSCN和MSCM-CDNet应用到实际的建筑物多类变化检测问题上,进一步验证了其有效性。以xview2挑战赛:自然灾害后的建筑物损坏程度评估为实际应用场景,提出了以DTCDSCN和MSCM-CDNet为核心的解决方案。在x BD数据集上进行了充分的量化和视觉分析,最终取得比赛公榜第五名的成绩。