近年来,高分辨率遥感影像生产技术不断提升,无论是高分辨率的卫星影像还是航拍图数据获取都变得日益便捷。遥感影像变化检测技术作为遥感影像的众多应用之一,伴随着数据资源的不断增加,其技术要求也在不断更新。面向对象技术作为一种新的影像分析范式,为高分辨率遥感影像变化检测提供了新的思路。在面向对象分析的基础上,可以提取出遥感影像的大量特征,将这一系列特征添加到影像分析中,可以大大提高影像变化检测精度。与此同时,随着机器学习的方法在各行各业中应用不断深入,其在遥感影像变化检测中的应用也都待开拓。本文通过研究面向对象的遥感影像变化检测基本理论,结合机器学习分类以及特征选择技术,对高分辨率遥感影像变化检测的随机森林分类算法进行了研究,提出了相应的改进算法框架。主要工作可以概括如下:(1)详细阐释了高分辨率遥感影像变化检测的关键技术问题,对基于对象的遥感影像特征进行了深入研究。根据变化检测技术原理以及遥感影像对象自身的特点,探索并扩展了高分辨率遥感影像对象的空间邻域特征,提出了一种对象与对象之间的空间邻域特征度量方法并将其应用到了整个变化检测实验中。(2)系统地阐释了SVDD(支持向量描述)特征选择以及随机森林分类算法的原理。针对分类技术在直接遥感影像变化检测技术中的应用特点,尝试了利用单分类技术进行特征选择的研究。提出了两种基于SVDD特征选择与随机森林分类算法的高分辨率遥感影像面向对象变化检测算法框架。(3)针对传统的基于分类算法需要人工选择样本的问题,本文采用了CST(Chi-Square Transform)特征融合与EM(Expectation Maximization Algorithm)自动阈值分割技术的自动样本选择的分类框架,并将其应用到所提出的两种SVDD特征选择与随机森林分类框架中。最后本文通过研究两期高分辨遥感影像特点,并对两个时期数据进行叠加分割,通过特征计算,特征提取,构造了一个具有96维特征的特征影像数据。通过设置多组对比实验,验证了本文所提两种变化检测算法框架的有效性。其中基于SVDD特征选择与随机森林叠加的算法结构简单,相对于传统变化检测算法,精度有部分提升,基于SVDD特征选择与随机森林融合的算法结构相对复杂,但其精度效果最佳。