随着经济体的持续飞速提升,以及城市化进程步调疾速推进,居住环境逐渐拥挤,人类社会活动不断频繁。研究基于大疆无人机影像的城市地区的动态变化,将是一种值得探索的视觉工作。但是,选择何种稳定且可行的分类策略,针对潜在差异信息实现精准捕获,将是一项有意思且紧迫的任务。此外,在两个采集日期的光照条件、大气条件、传感器差异和地面湿度存在不同程度的差异,容易使得多时相数据对的对齐(如反射噪声)问题难度大。为了解决上述问题,本文基于大疆无人机,将配准和检测联合开发一种二阶段城市用地检测算法框架,其贡献包括:(1)采用比SIFT(Scale Invariant Feature Transform)算法默认阈值更低的值提取最多的特征点,然后通过动态地调节阈值从而建立一个从粗略到精确的图像变换;(2)在贡献(1)中筛选出的冗余点在空间背景保持项的控制下起到控制点的作用,用于控制网格化图像的运动,实现对图像非重合区域的合理近似;(3)提出了动态高斯核来控制特征点的位移距离,使图像变换从刚性逐渐变为非刚性。(4)基于模糊C均值聚类(Fuzzy CMeans,FCM)分类器生成相似邻域像素联合矩阵,然后利用滤波技术弱化多时相信息的限制性,通过构建深度RBM(Restricted Boltzmann Machine)神经网络预训练差异矩阵,实现快速自动的变化结果图生成。根据大疆无人机采集的数据集,本文相关算法进行了综合实验。其中,与现有6种配准算法完成对比,并与现有3种变化检测算法完成对比。本文的框架算法在大多数情况下均给出了最好的结果。