变化检测技术关注于通过分析多个时间点对同一个观测场景获取的遥感影像去发现该场景中地物变化情况。合成孔径雷达（Synthetic Aperture Radar,SAR）影像主动成像的机制使得其可以全天时、全天候工作,并且不受日夜光照、云雾遮挡、气候变化的影响。因此,基于多时相SAR影像的变化检测技术受到了广泛的关注并且应用于经济社会发展和国防安全等多个领域。但在多应用场景中,SAR影像中的变化呈现面积小、幅度弱等特点,散斑噪声的污染和弱小变化检测天然的类别非平衡现象使得目前先进检测技术在面对弱小变化的时候性能极其有限,并且存在大量虚警。本文研究主要针对上述问题展开,以提出并实现高精度、高效率的弱小变化检测方法为目的。主要的工作与成果如下:针对现有差异图方法保留微弱变化边缘等细节信息差,抑制斑点噪声性能差,现有聚类算法对微弱变化难以凑效等不足,提出了一种基于多尺度超像素差异图和两阶段中心约束模糊C均值聚类的快速弱小变化检测算法,抑制了由非平衡引起的聚类过程中质心偏移的问题,有效降低了虚警率,提升了微弱变化检测性能。在六组真实多时相SAR影像数据集上的实验结果,证明了所提方法的鲁棒性和有效性,线性的时间复杂度保证了算法能够快速实现。针对弱小变化中类别非平衡问题导致的变化类样本不足以及引起的网络学习偏差问题,提出了一种基于生成对抗网络和小波卷积网络的无监督变化检测方法。其中,提出一个无监督并行聚类策略,将像素分为伪标签变化类、不变类与难类。属于前两个类别的图像块被构造为伪标签训练样本,并将难类的图像块作为测试样本。设计深度卷积生成对抗网用于变化类样本的数据增广,实现了变化类与不变类样本的再平衡,并且对抗学习在视觉空间捕获了变化类的潜在关键特征,设计卷积小波神经网络针对难类样本进一步鉴别。在五组真实多时相SAR影像数据集开展变化检测实验,所提方法获得了高达99%的检测精度,同时保持了很低的虚警率,检测性能优于现有的深度学习变化检测方法。针对现有变化检测方法未充分利用非局部空间信息,从而导致场景适应性差的问题,提出了一种基于图神经网络非局部特征学习的弱小变化检测方法。首先,采用一种三通道融合差异图的生成方法,为后续的特征学习提供数据层面的支持。对差异图进行超像素分割,将超像素作为图网络的节点,提出受地理空间距离约束的径向基函数用于建立节点之间的边权重,在相似性空间构建图结构,设计变分图自编码网络实现非局部特征学习,学习的过程通过图结构实施信息流转,实现了远距离相似目标的协同表示,在嵌入空间中建立了更具鉴别性的特征表示,并且有效抑制了散斑噪声。最后采用k均值聚类算法将节点鉴别为变化类和不变类。在五组真实多时相SAR影像数据集开展变化检测实验,得到了理想的检测精度,性能优于只利用局部特征信息的变化检测算法。