三维变化检测作为变化检测的一个研究分支,其研究成果对于国家经济建设、环境建设、国防建设具有重要意义,在土地利用/覆盖信息的变化检测、地理信息更新、三维工业产品形变分析、资源环境和灾害的动态监测、三维模型更新、目标跟踪、植被生长状况监督与生物量评估等领域具有广阔的应用前景。在很多情况下,存档的三维地理信息数据和新获取的数据由不同技术获取,表现出完全不同的属性。研究不同模态的三维数据间的变化检测技术具有十分重要的理论价值和现实意义。但是,现有的三维变化检测方法主要是针对同一类型的三维数据,应用在不同模态三维数据变化检测时往往出现大量的虚警检测或遗漏。本文围绕城市尺度航空激光扫描点云和摄影测量点云变化检测技术展开研究,归纳总结了多模态航空点云变化检测的研究背景和意义,系统论述了三维数据的获取、表征、配准的研究现状,回顾了遥感领域和计算机视觉领域三维语义分割的研究现状,并分析了三维多模态变化检测的技术难点,重点梳理了当前三维变化检测的主要研究方法和存在的问题。论文的主要创新点如下:1.为研究是否可以利用摄影测量点云更新替代激光点云,提出一种稳健的定量评价摄影测量点云和DSM质量的方法,在整个测区尺度和局部面片尺度内评价摄影测量数据质量。从地面点集和非地面点集中自动选取出大量的方形面片,基于面片的评价显示了测区内密集匹配误差的总体分布状况。本文还设计了在测区尺度上评价准确度和精确度的指标。具体研究了在整个测区内摄影测量误差分布情况、GCP数量以及GCP权重对误差的影响、是否用到倾斜影像对匹配误差的影响、不同地物类型上的匹配误差差异。此外,论文还分析了摄影测量点云中的粗差分布情况。该研究为航空摄影测量质量控制、三维产品质量评价提供了实用性建议和方法。2.为快速检测激光点云与摄影测量匹配点云之间的建筑物变化,设计了一种非监督的变化检测方法。针对激光点云噪声少的特性,设计了自适应激光点云目标提取方法,从点云中提取地面、屋顶、植被三类要素。针对激光和摄影测量点云的不同属性,设计了一种稳健的、非监督的建筑物变化检测方法。首先对精确的激光点云进行目标提取,再以分割后的屋顶面片为基准,对比粗糙的摄影测量点云检测加高或拆除的建筑物变化。再对剩余的未知区域以匹配点云为基准,对比激光点云检测新建的建筑物。对不同时相的激光点云和匹配点云进行实验,结果表明该方法能够快速检测出建筑物变化,具有较高的检测精度。3.提出对称神经网络模型PSI-DC,用于检测不同模态的点云变化。获取初始变化位置后,又设计了精细描绘建筑物变化轮廓的方法。首先,将不同模态的点云、正射影像转换为二维图像。再将转换得到的二维图像输入到轻小型的PSI-DC中以快速检测初始的变化位置。然后,通过逐像素变化检测来描绘变化的精确轮廓。该方法“由粗到精”,不仅对点云噪声和场景复杂性具有稳健性,而且可以获得逐像素的建筑物增高或降低的类别标签。将提出的PSI-DC模型与其他结构的对称模型、前馈模型进行比较,比较了不同输入配置、不同网络结构对变化检测精度的影响。在得到初始变化图以后,设计基于形态学运算的变换图后处理方法,以最小代价优化结果,得到单个变化的建筑物。利用15.4 km~2的Rotterdam数据进行实验,在面片级、像素级和对象级分别对实验结果进行定量评价,取得了较好的变化检测效果。4.为实现“端到端”的变化检测、免去预处理和后处理环节,提出了协同语义分割和变化检测双任务的深度学习模型。该模型以PointNet++为主干网络,通过连接激光点云和邻域密集匹配点云的特征构成新的特征,作为深度学习模型的输入;在输出中,将激光点云分为六类,既含有未变化目标的语义信息,又含有变化目标的变化信息,实现了用一个模型实现两个任务。在Rotterdam数据上取得了较高的分类精度和变化检测精度,结果表明PointNet++的分类精度整体上比PointNet好,对于地面不变（T2T）、植被不变（V2V）、建筑物不变（B2B）这三类不变的分类精度要优于对建筑物增高（BH）、建筑物降低（BL）、其他（OT）三种变化的分类精度。