变化检测是对比分析在不同时期捕获同一地理位置的图像,提取不同时期图像的差异特征,并分析其差异性,最后检测识别不同时期的变化区域(变化信息)的过程。本文研究的主要对象是高分辨率遥感图像,具体来说是研究如何从不同时相的遥感数据中定量分析和确定地表变化的方法。随着航天技术的快速发展,高分辨率遥感影像因其包含更丰富的地物信息,且具有高空间分辨率、高清晰度等优点而被广泛应用。近年来,面向遥感图像的变化检测方法已被广泛应用在土地覆盖和利用、自然灾害预测评估、农业资源调查、城市规划布局、开展资源调查、环境监测分析、城市扩展变化信息获取、地理数据更新以及军事侦察等领域。因此,开展面向高分辨率遥感图像的变化检测方法研究具有重要的应用价值。本文主要的工作和内容如下:(1)首先对近几年国内外的变化检测经典文献进行深入的调查研究,并分析了主流的变化检测方法,结合高分辨率遥感图像的特性,说明研究适合高分辨率遥感影像变化检测方法的必要性。之后通过调查研究和分析找出变化检测中可能存在的问题,针对具体问题提出可执行方案,以便后续更好的开展变化检测工作。(2)针对当前变化检测研究中存在的两个问题,即传统的变化检测方法都是基于其灰度差异图像进行阈值图像分割获取变化区域,忽略了高分辨率遥感图像的结构信息,以及高分辨率遥感图像尺寸偏大,会导致更高的算法执行时间。本文提出一种基于快速模糊聚类算法的无监督遥感变化检测方法,该方法将改进的模糊C均值聚类算法,应用于高分辨率遥感图像,能有效利用图像的空间信息,进而获得更能代表差异特征的差分图像;另一方面,该方法将高斯金字塔和模糊C均值聚类算法结合使用,旨在有效减少图像的冗余数据,提高算法计算效率,降低计算复杂度。(3)基于以上研究,本文还提出一种基于深度对称式全卷积神经网络的变化检测算法框架,用于获取高分辨率遥感图像的变化区域结果。该模型是基于U-net网络的U形对称结构,它能够采用多层连接,考虑来自多个卷积层的特征,将低维和高维特征合并到最终特征图中,并有效地探索图像的上下文信息,以获得更广泛的接受域。此外,多尺度池化模块能够更好地利用滑坡区域的空间多尺度特征,有效解决单尺度池化的缺点,具有更强的特征表示能力。此外,所提出的用于变化检测的深度卷积神经网络模型为变化区域提供了更准确的定位。