地表覆盖变化检测作为土地资源利用监测的一种有效手段,对于快速发展中的城市发挥着重要的作用。城市化进程加快,基础设施建设日益完善,土地资源利用每时每刻都在变化,土地价值水涨船高,出现了大量的土地违法利用情况。国家土地政策不断收紧与地方政府用地需求依然不减的矛盾不断加深,政府需要建立完善的土地资源管理制度,对其进行规划和监测,以减少土地违法利用情况的发生,维护社会的和谐与稳定。遥感卫星影像空间分辨率和时间分辨率的不断提高,到目前发展到亚米级,使得利用遥感卫星影像进行地表覆盖变化检测成为一大趋势,即利用不同时相的遥感卫星影像,比较同一区域中,地表覆盖类型的不同。针对两个时相影像的变化检测目的主要有两个方面:检测地表覆盖是否发生变化(提取发生变化的区域),确定地表覆盖变化发生前后的类别(提取变化区域的变化类别)。目前,对于地表覆盖类型变化图斑的提取,主要是依靠作业人员对高分辨率卫星遥感影像的目视解译,来确定地表覆盖变化发生的空间位置,通过主观经验知识判断其变化类别。因此图斑的正确与否取决于解译人员的目视判读经验,容易产生错误。通用的检测流程,针对特定遥感影像数据可以得到较好的检测结果,但是面对大面积、特征多样、分辨率较高的城市遥感影像,这种检测方式显得有点捉襟见肘,应用效果不佳。本文以深圳市光明街道作为应用区域,针对城市高空间分辨率影像数据表现出来的不确定性,联合领域知识和深度学习,建立地表覆盖变化检测框架,并进行系统开发及工程实践,主要进行的工作有:(1)整合目前成熟稳定的检测算法,从检测流程上对传统检测方法进行优化,结合领域知识,克服传统检测方法较少考虑影像数据不确定性而产生的检测效果不理想的问题,建立城市地表覆盖变化检测框架。(2)根据检测框架的设计,从地表覆盖相关的数据中提取影像知识、地理学知识和变化图斑先验知识等。结合专家经验提取城市地表覆盖变化检测经验性的领域知识,设计与开发完成经验性的领域知识提取工具,实现该领域知识的快速获取和更新。(3)针对影像样本数量小,特征不明显的问题,对样本数据进行数据增强,并根据影像样本的时相特征划分训练样本和验证样本。结合迁移学习方法,选取自然图像分类领域中几种经典的深度卷积神经网络进行分类网络的训练,利用本文研究区域中选取的样本对预训练模型进行微调,结合模型的收敛情况和验证精度,分析深度卷积神经网络在地表覆盖影像分类中的应用可行性。(4)根据顾及影像数据不确定性的变化检测框架,将领域知识和深度学习应用到检测的具体处理流程中,设计并开发完成了城市地表覆盖变化检测系统,成功应用于深圳市光明街道,在准确度和自动化程度两方面提高了检测效率,满足了工程应用的需求。