随着遥感技术的发展,不同类型的图像数据不断增多,单一类型传感器下难以获得全面的目标信息,异质遥感图像的处理成为一个亟待解决的问题。异质遥感图像是指来自不同传感器、不同分辨率或不同频谱波段的遥感图像。考虑到地球资源调查、环境监测、区域规划等的重要性,为获取准确的目标信息,图像融合与变化检测吸引了很多学者的研究兴趣。深度学习提供了一种端到端的数据描述与处理框架,本文基于深度学习理论中的层次化自编码模型,研究了异质遥感图像的融合与变化检测方法。主要研究结果如下:1.设计了一种基于层次化稀疏自编码器的全色与多光谱图像融合方法。考虑到现有基于神经网络的模型多使用超分辨的方法,无法综合使用多源信息的缺陷,本文设计了基于层次化稀疏自编码器的多源映射网络。首先将图像融合问题转化为一个从多源图像到目标图像的非线性映射问题。在给定足够多的隐藏单元的情况下,加入稀疏正则能近似任何从输入到输出的映射,同时学习到了各波段之间的关系。在Geoeye-Hobart、QuickBird等卫星数据上的实验结果表明:相比传统方法,该方法在光谱与空间细节上都有较大改进,在指标Q4上有0.02~0.1的提高。2.设计了一种基于多特征融合与稀疏自编码网络的光学与合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测方法。针对光学图像和SAR图像不能直接计算差异图的问题,提取图像的多特征,同时用模糊C均值聚类(Fuzzy C-means,FCM)进行预分类。其次,建立稀疏自编码模型,表示预分类获得的初始非变换区域。由于两幅图像是同一场景的不同表示,因此两幅图像的非变化像素在深度网络形成的非线性投影空间具有相似性。然而变化像素没有,因此采用所有样本的重构误差计算差异图可以体现出变化与非变化像素的区别。经实验说明,本方法在总错误率上较对比方法下降,在Kappa系数上较现有方法有所提高。3.设计了一种基于卷积自编码器的光学与SAR图像变化检测方法。为获得自动化、智能化程度更高的变化检测方法,设计了卷积自编码器对图像进行自动化的深层特征提取。然后用特征图计算差异图,在差异图上使用FCM进行变化检测。一方面,利用卷积自编码网络能够自动提取到层次特征可以避免人工特征选择的过程;另一方面,卷积自编码器直接处理二维图像块,避免了一般自编码器将图块变换为向量形式中对图像空间结构的破坏。从实验结果的数值评价指标分析中,可以明显地看出:本章提出的方法在正确率和Kappa系数上较上一方法有所提高。