随着遥感影像平台和技术的不断发展,尤其是各种高分辨率对地表观测项目的实施,卫星遥感技术已经逐渐跨入亚米级时代,高分辨遥感影像所包含的地物信息也更加充足。近年来,伴随着深度学习和大数据技术的不断成熟,这极大地促进了遥感影像技术在各个领域的繁荣发展,使得利用高分辨遥感影像实现对地表覆盖变化检测成为一种高效、准确的技术手段,并在许多军事/民事领域得到了重要的应用,如:农业林业、水土资源、土地利用、城市扩张、地质环境、沿海地区、海洋资源、雪和冰川、灾害监测和减灾、基础设施开发及军事用途研究等。由于遥感影像在成像的过程中极易受到一些客观因素的影响,如成像平台的硬件水平有限、获取影像时的空间/时间限制、天气云层烟雾的遮挡以及存在的各种电磁杂波干扰等,可能导致遥感影像的空间分辨率低、影像中物体轮廓模糊等问题。传统的遥感影像变化检测算法在处理这样的遥感影像数据时性能有限,特别是当前遥感影像的数据量也越来越庞大,而基于深度学习的方法突破了传统图像处理算法的很多不足之处,以其优秀的特征学学习和表示能力被广泛应用于计算机视觉领域,为遥感影像变化检测研究提供了新的解决方案。本文主要基于深度学习理论框架下,针对高分辨遥感影像变化检测问题展开研究,通过构建不同的深度神经网络模型来灵活实现由问题驱动的变化检测任务。本文的主要研究内容和总结如下:1.结合高分辨遥感影像变化检测任务的特点,从数据分析与模型结构出发,提出了一种基于全卷积网络所搭建的深度编-解码结构的变化检测方法,该方法适用于处理大规模遥感图像变化检测任务。考虑到遥感影像通常包含大场景的影像内容,引入空洞卷积模块来减少下采样的次数,保留在提升网络感受野的同时保留特征图谱中的细节和定位信息,从而缓解由于池化过度导致的小目标和细节信息丢失的问题。2.针对遥感影像变化检测结果的分割边缘不够精细的问题,提出了一种基于注意力机制的变化检测方法。该方法通过巧妙地引入视觉注意力机制来有效地捕获特征中的远程上下文信息,聚合特征图中的相似特征从而加强变化区域的特征表示,帮助网络更好地检测分割出潜在的变化区域,并提升变化区域的边缘分割精细程度。同时,为了充分利用训练数据,使用了多种的在线增强策略,并且增加数据的多样性,从而提高网络的鲁棒性。最后,考虑到在遥感图像变化检测任务中的正负样例数量差距大,针对性的对原始数据进行了正样例的扩增,并引入Dice系数损失来缓解数据中的正负样例不平衡的现象,提升了模型最终的泛化性能。3.考虑到城市遥感影像中的建筑物变化提取所具有的实用价值,通过结合城市高分辨遥感图像的特点,设计了一种基于孪生网络结构的针对特定目标/区域类别的变化检测模型来进行建筑物变化提取。并且针对遥感影像中常常包含各种不同尺寸的物体特别是小目标的问题,通过引入特征多尺度池化来帮助获取目标特征中的多尺度上下文信息,得到不同大小的目标的有效视野。在没有明显的增加网络的参数量的情况下,有效的提高了对两幅高分辨遥感影像中建筑物区域的变化检测效果。