遥感技术广泛应用在地质、农业、海洋等领域,已经成为了分析宏观地理信息的主要技术。随着时间推移,同一个区域的地表覆盖物很可能发生变化,而这些变化往往是需要重点关注的对象。遥感图像的变化检测就是指,对于同一地区不同时期的遥感影像和相关数据,运用图像处理与数学模型技术来比较、分析并且判断图像之间的变化,该方向是当前遥感研究的热点。随着深度学习的兴起,近几年来基于深度学习的变化检测方法成为了该方向新的研究热点。而现有的深度学习变化检测方法大都是有监督的,这类有监督方法主要有两个问题:一是深度网络不能直接迁移检测异源数据。这意味着需要针对不同数据集进行训练,而变化检测任务中一个数据集就是两张图,这对于变化检测任务来说不仅增加了复杂性,而且没有利用相似图像间的特征共性。二是检测所使用的网络性能很大程度上依赖于训练样本的数量,因此,有监督方法的性能不可避免地依赖于经典方法预分类的表现。而无监督的变化检测方法虽然不使用经典方法预分类,但是也存在两个主要问题:一是需要更多次的迭代来更新,并且有许多参数需要手动设置。二是无监督方法的效果一般不如有监督方法。因此,本文针对以上问题,提出了三种新颖的变化检测方法,很大程度改善了变化检测流程的同时利用数据特征共性提升了检测精度。1.针对变化检测任务中有两组输入图像的特点,提出了一种基于复数网络的合成孔径雷达(SAR)图像变化检测方法,并在三个不同的SAR图像数据集上进行了实验。该方法的主要思想是:将常规的有监督变化检测流程中原始图像按通道直接组合的数据处理方式,改进为构造复数数据的方式,并且针对新构建出的复数数据设计了相应的复数网络来完成特征提取与检测。训练好的复数网络遵循有监督变化检测算法的流程即可实现最终检测。实验结果表明该算法能够在一定程度上提升检测精度。2.现有的变化检测算法均无法在不同数据集间做到很好的迁移,且无论是有监督还是无监督方法都无法在精度和人工参与度上做出很好的平衡,因此提出了一个新颖的基于度量元学习的变化检测模型,称之为CDMN,该方法的主体思路为:将多源异构图像的变化检测看做一个元学习问题。首先受到主动学习启发,设计了一种新的训练样本选择方法k-PLR,以此方法筛选出少量但可信度很高且极具代表性的样本。然后,构建由卷积模块和图卷积模块组成的元学习网络,使用元学习训练策略完成样本的映射和特征衡量。更进一步的,训练好的模型可以迁移到其他变化检测数据集上直接测试,测试时需要的测试支持集样本可以使用ELR很好的提取。此外,实验结果表明,利用低噪声的高光谱图像数据训练,可以有效提升高噪声的SAR图像数据集的检测精度。3.针对上一章变化检测算法在用于多类变化检测时性能欠佳的问题,将聚类算法与元学习巧妙结合,提出一种新的多类多源图像变化检测框架。主要思想是:由于度量元学习的模型在测试时需要使用少量带标签样本作为测试支持集,但是在变化检测任务中并没有标签,因此我们在测试阶段使用聚类模块而不是度量模块,让模型在训练和测试时使用不同的结构。这种做法不但很好的将度量模块特性和聚类模块特性相结合从而达到提升精度的效果,而且能够将模型的适用范围从二类检测扩展为多类检测。实验结果表明,新的变化检测框架不仅在二类检测问题上能达到现有方法中最好的效果,而且在多类检测问题中也能达到和最好方法相媲美的结果。