城市新增建设用地是城市建设、规划与发展的重要组成部分,随着城市和农村的不断发展和变化,城市新增建设的扩张与变化需要实时动态掌控以协助城市管理和动态监测,从而整体掌握城市建设和发展趋势,以便于进行城市规划与发展。近年来遥感技术得到快速发展,遥感影像朝着高空间分辨率、高光谱分辨率和高时间分辨率的“三高”特征发展,高分辨率遥感影像为土地利用、农作物长势分析、城市规划、环境监测等方面提供了便利、准确和实时的数据来源。因此可以将高分辨率遥感影像作为数据源,对城市新增建设用地进行变化检测,以获取新增建设用地。目前采用高分影像进行变化检测的方法有很多,但大多数传统的变化检测算法存在自动化程度较低,参数和阈值的选取需要人工干预,图像配准要求严格,变化结果精度不足等问题。深度学习算法的出现及其在各个领域中的应用为遥感影像变化检测提供了新的思路。深度学习算法是通过复杂的深度神经网络进行计算,具有强大的学习能力,可以通过多层网络和大量的网络参数层层传递,以此来拟合各类复杂的映射关系,从而解决各类费时费力的复杂任务。因此,本文以高分辨遥感影像作为数据源,开展基于深度学习的城市新增建设用地变化检测研究,论文以生成对抗网络为主干网络、U-net作为其中的分割网络,并优化和改进了网络结构和损失函数,得到了较高的变化检测结果。本文的主要研究内容与结论如下:（1）构建了基于生成对抗网络的变化检测模型CD-GAN,CD-GAN由生成器和鉴别器两部分组成。将分割网络作为生成对抗网络的生成器,该分割网络以U-net作为主干网络,完成城市新增建设用地变化部分的分割和提取;将二分类的卷积神经网络作为生成对抗网络的鉴别器,用以区分生成器的分割结果和真实标注结果,起到辅助作用,使得分割网络向着优化的方向不断前进,本文根据生成对抗网络的原始损失函数设计了混合损失函数,以适于变化检测网络模型的训练。（2）根据CD-GAN变化检测模型,本文对重庆市茶园地区部分区域进行了城市新增建设用地变化检测研究,选取了三类不同的混合损失函数进行了试验,实验结果表明:基于Focal Loss的变化检测模型性能最好,精确度达到了90%,能够有效地针对城市新增建设用地开展变化检测工作。但是检测结果中还存在边界提取模糊等问题,网络仍需进一步优化。（3）本文针对CD-GAN变化检测模型产生的分割结果存在不足的原因加以分析,为获取更好的变化检测效果,针对产生不足的原因进行了网络的优化,以提升网络的变化检测性能。其中分割网络以分割效果更好、上采样和下采样具有更高语义相似度的U-net++网络进行优化,U-net++还具有灵活的网络结构,有效减少了参数量。在此基础上添加了卷积注意力机制来增加代表性,使得网络专注于重要的特性,抑制不必要的特性。以上两点改进整体提高了网络的精度和分割性能,让参数量巨大的深度网络在可接受的精度范围内大幅度的缩减参数量。本论文对城市新增建设用地的变化检测问题展开了研究,提出了一种新的思路,优化后的方法可以快速实现对城市新增建设用地的变化检测和提取,达到了92%的精确度,实现了基于深度学习的遥感高分影像变化检测方法的改进与优化。