遥感图像的变化检测是指通过合适的算法分析同一地区不同时相的两幅图像,找出其中变化的区域。由于合成孔径雷达(Synthetic Aperture Radar,SAR)图像不受光照、天气等条件影响的优势,已经在环境检测、灾害评估、城市规划与监测等领域得到了广泛的应用。本文主要对一些原有的SAR图像的变化检测方法进行研究分析并对其改进。同时结合新理论提出一些新的方法来提高变化检测精度。本文主要内容如下:1.由于不同算子生成的差异图具有不同的优缺点,本文对差值法、对数比值法、均值比值法产生的3种差异图进行优势互补。不同于以往人工选取策略将其融合的方法,该算法将3幅差异图作为不同的特征图像输入到多通道卷积神经网络。然后卷积神经网络将自动学习并提取各个差异图的不同特征。该算法通过选择不同差异图的像素及其邻域空间像素生成训练样本训练卷积网络,然后由训练好的网络预测测试样本的变化类与不变类。2.针对边缘检测精度低的问题本文提出了一种多尺度模型融合算法。该部分首先提出了一种新的差异图生成算法:通过将比值算子差异图进行伽马变换然后得到一种新的差异图,该变换与对数变换都能使图像的对比度增强,新的差异图比对数差异图整体偏亮。通过FLICM算法对几种差异图分析对比证明了我们差异图的有效性。因为变化检测结果中边缘细节处错误率较高,针对该问题本文提出了一种算法,将生成样本的滑窗尺寸变为1,即生成样本时仅利用四幅差异图的像素信息,不提取邻域信息。然后利用多层感知机进行分类。由于不利用邻域信息该方法噪声较大,但带来的优势是该算法对边缘等异质区域检测效果好,检测结果边缘清晰。最后将该模型与算法1的模型采用加权融合。融合后的模型细节处检测精度得到了提升。3.神经网络中超参数众多,针对神经网络结构优化和超参数选择困难问题,本文提出了一种基于遗传算法的神经网络超参数优化算法。该算法优化的网络模型是变化检测过程中用到的卷积神经网络和多层感知机。进化算法与神经网络有两种结合方式,一种方式是在固定网络拓扑结构的情况下,利用进化算法确定连接权重。本文采用的是另一种方式直接利用遗传算法优化神经网络的结构,然后用反向传播算法训练网络。首先将超参数调优问题建成一个优化模型然后采用遗传算法优化该模型。该方法能够为变化检测所需的模型找到相对较优的超参数,并提高算法精度。