变化检测是通过比较同一地理区域不同时间点获取的两张或多张遥感影像来发现地球表面所发生的变化的过程。传统的变化检测方法需要人工设计特征,这是一项费时费力的工作,且需要较强的专业知识。并且很难设计出一种适用于所有地物类型的通用特征。深度神经网络的多层非线性映射使其具备拟合任意函数的能力,因此能够构建出高维的分类面,高质量地完成模式分类识别任务。本文主要研究利用深度神经网络对城市地物实现“端到端”的变化检测,避免人工设计特征的过程,提升变化检测的精度。本文的主要研究内容包括以下三个方面:(1)设计了一种 Siamese 卷积神经网络(Siamese Convolutional Neural Network,SCNN),实现对两时相高分影像城市区域地物的变化检测。针对变化检测需要同时对两时相影像进行处理的特点,SCNN由两个分支网络和一个决策层网络组成。两个分支网络位于SCNN低层,分别对两时相影像进行特征提取。将提取的两时相影像特征进行特征连接,输入到决策层网络中。决策层网络对两时相影像特征进行相似性度量,输出变化检测结果。本文以影像“分割块”为变化检测的基本单元,可充分发挥深度神经网络对影像高层特征挖掘的能力,同时,可实现“全覆盖”的变化检测。本文基于SCNN对武汉市城市地物变化检测总体精度达到88.57%以上。(2)提出了针对变化检测的数据增强方法。变化检测中,不同时相影像由于获取条件的不同,本身存在一定的差异性,传统的图像分类领域通过对图像进行旋转、平移、加噪等实现数据增强的方法不适用于变化检测领域。针对这个问题,本文分别对变化样本和不变样本提出了不同的数据增强方法。对变化样本,采用“迭代训练SCNN——样本选择—一样本扩充”的方式实现数据增强;对变化样本,通过将位于不同位置的两时相影像组合成新的变化样本对实现对变化样本的扩充。该方法实现了对变化检测样本的扩充,有效抑制了过拟合现象的发生。(3)提出了基于模型迁移方法实现对其他城市地物的变化检测。不同城市由于建筑风格、规划设计的不同存在差异,一个城市训练好的模型不能直接用于另一个城市的变化检测。本文基于保守训练和层迁移策略,将在武汉市训练好的SCNN模型迁移至咸宁市,实现对咸宁市地物变化检测。咸宁市基于保守训练的变化检测总体精度达到83.07%以上,基于层迁移的变化检测总体精度达到86.98%以上。