随着航天航空技术以及电子信息技术深入发展,遥感技术突破了数据获取的瓶颈,已走向全面应用的新阶段。基于遥感影像的变化检测是研究全球地表变化的主要方法,变化检测在土地资源管理、农林监测、自然灾害监测与评价等方面有着重要的应用。面对日益增加的遥感数据,我们积累了海量地表随时间变化的数据,对这些遥感数据充分处理和利用,找到其中感兴趣的信息,从而得到感兴趣地物类型的变化或者内部状态的变化,但是由于遥感影像变化检测是一个复杂的综合处理过程,对不同时期拍摄用于变化检测的遥感图像由于受到季节变化、卫星传感器、太阳高度和大气条件的影响降低了变化检测输出的可实现精度,遥感变化检测技术的自动化程度和准确性都需要进一步提高与完善。近年来,深度学习算法在人工智能领域兴起。遥感数据本质上具有海量、多样、多维等特点,深度学习处理遥感数据有天然的优势,能够自动、多层次地提取复杂对象的抽象特征,从海量数据里学习和发现影像中地物目标的高层语义特征,大幅度提高遥感影像解译的精度,深度学习方法目前已经在图像识别领域广泛应用,同样该理论也应该能够应用到遥感影像变化检测领域,因此我们迫切需要开展基于深度学习的遥感影像变化检测的方法研究,这不仅可以大大提高遥感影像变化检测精度,同时也为实现当前高效快速、自动化变化检测的应用需求,开辟了一个新的自动化、智能化的处理方法。本文主要针对双时相光学遥感影像变化检测问题,提出按照检测对象的不同,将基于深度学习的遥感影像变化检测分为面向像元、面向对象、面向区域三类方法开展研究,主要工作包括以下几个方面:(1)提出了面向像元的循环神经网络遥感影像变化检测方法。面向像元的方法是经典的方法,它数学模型简单、速度快,在处理中低空间分辨率遥感影像时具有优势。本文结合循环神经网络模型适合处理时间序列数据的特点,提出了三种不同的输入方式和六种不同循环神经网络的面向像元的循环神经网络遥感影像变化检测模型,并通过实验比较分析它们对变化检测精度的影响,其中本文提出的基于邻域的结合卷积神经网络特征提取的循环神经网络变化检测模型相比其他单一深度学习模型能显著提高变化检测精度。(2)提出了基于深度学习的面向对象高分辨率遥感影像变化检测方法。对于高分辨率遥感影像,面向对象的变化检测方法是传统成熟的方法,本文将深度学习的方法与传统面向对象的方法相结合,提出了两种面向对象的深度学习遥感影像变化检测方法:一种是面向对象特征和堆栈自编码器的变化检测方法,我们提出了三种堆栈自编码器模型,并通过实验讨论他们的模型结构对变化检测精度的影响;另一种是基于原始对象和卷积神经网络的变化检测方法,我们提出了有掩膜和无掩膜两种对象处理方式,并设计基于单通道的卷积神经网络和基于孪生卷积神经网络两种检测方式,然后通过实验比较在几种常见的卷积神经网络模型下,他们对变化检测精度的影响,其中本文提出的将孪生卷积神经网络与面向对象的方法相结合的方法,可以在卷积神经网络模型结构较简单的条件下,获得较高的遥感影像变化检测精度。(3)提出了面向区域的卷积神经网络高分辨率遥感影像变化检测方法。在自然图像目标检测中,基于卷积神经网络检测方法已经广泛应用于复杂场景中快速提取和识别目标,本文把遥感影像上的“变化”看作待检测目标,直接从一定大小的“影像区域”中检测发生变化的部分,提出了基于Faster-RCNN和MaskRCNN两种高分辨率遥感影像变化检测模型,并在此基础上分别提出两种检测方式:一种是双时相影像合并之后再检测,另一种是双时相影像差值之后再检测。通过实验分析比较得到我们设计的面向区域的卷积神经网络高分辨率遥感影像变化检测模型相比其他深度学习的方法有更高检测精度,其中基于Mask-RCNN的变化检测方法效果最好,另外不论是基于Faster-RCNN还是Mask-RCNN模型,双时相影像差值之后再检测的精度更高,这说明在深度学习模型里传统的差值法也有助于提升变化检测精度。(4)设计并实现了一个基于深度学习的遥感影像变化检测系统原型。通过该系统,可以方便的进行基于深度学习的遥感影像变化检测方法实验,同时为后续遥感影像变化检测在相关领域的实际应用提供系统原型。