中国社会经济的快速发展加速了城市的空间扩展。在城市化进程中,建筑物作为活跃的城市要素,会出现大量更新,精确、高效的建筑物变化信息提取对于城区规划等业务具有重要意义。卫星遥感技术的发展为各个研究领域带来了大量遥感数据,其中遥感图像已经成为建筑物变化检测技术的重要数据源。高分辨率遥感图像中地物信息丰富,但“同物异谱,同谱异物”的情况同样严重,这也对如何合理有效的利用这些信息进行建筑物变化检测提出了巨大挑战。随着深度学习技术的创新与发展,深度学习以其泛化能力强等特点为基于高分辨率遥感图像的建筑物变化检测提供了新的思路。本文将建筑物变化检测问题转换为图像像素级别分类问题,借鉴FPN网络的多层级预测的思路对经典的全卷积神经网络的变种Unet进行改进,设计了一套基于改进Unet模型的遥感图像上的建筑物变化检测方案。针对同一地区的前后时相遥感图像,方案首先使用正射校正、影像配准、图像拉伸及数值归一化等操作对两幅遥感图像进行预处理;其次,对遥感图像进行分块,标注关于建筑物新建、拆除情况的变化样本来制作训练数据集,并以此对改进的Unet模型进行训练;最后,利用已训练模型对经过预处理的前后时相遥感图像进行预测,并利用形态学滤波等方法对预测结果进行后处理,得到最终的建筑物变化检测结果。结果表明,在QuickBird卫星所拍摄的高分辨率多光谱遥感图像数据集上,基于改进的Unet模型设计的建筑物变化检测方案的总体准确度达97%,相比基于FCN、SegNet和Unet模型的建筑物变化检测方案,准确度平均提升2%,F1值平均提升0.12。同时相比于传统的建筑物变化检测方案,本方案泛化能力强,自动化程度高,具有更高的应用价值。