遥感图像变化检测是遥感图像处理中的热点研究问题，在自然环境监测、灾情分析、城市规划管理、军事区域监视等领域具有十分重要的应用价值。目前遥感图像变化检测技术正向着精细化应用的方向发展。针对高分辨率遥感图像的变化检测可以获取更加丰富而细致的变化信息，因而受到广泛关注。然而，受高分辨率图像自身特性的影响，将传统变化检测算法直接进行应用往往达不到高精度的检测目标。因此有必要针对高分辨率遥感图像的变化检测技术进行深入细致的研究。　　本文以城市场景高分辨率遥感图像为研究对象，结合其同物异谱、同谱异物、细节冗余等特点，分析了变化检测中存在的难点问题，并针对多尺度变化信息利用、变化特征提取与学习、变化判断决策等高分辨率图像变化检测关键技术开展深入研究。本文的贡献主要包含以下几个方面:　　(i)提出一种基于鲁棒变化特征的多尺度传播半监督变化检测方法。具体地，论文首先针对城市场景中常见的因视角变化造成的突出地物图像位置偏移问题，引入了一种局部搜索策略，并在此基础上提取出可靠的变化特征;其次，根据用户给出的少量标注样本来消除变化定义的不确定性，并进一步采用半监督分类的方式获得用户兴趣变化的变化概率信息;最后，提出了一种自上而下的多尺度变化信息传播算法，在充分利用上下文信息的同时降低了变化定义对尺度的依赖性。所提出的方法不需要大量的标注信息，利用少量标注样本即可检测出用户感兴趣的变化。对比实验验证了所提出方法的有效性。　　(ii)提出一种基于稀疏变化描述子和鲁棒判别字典学习的区域级多尺度融合有监督变化检测方法。具体地，论文首先提出了一种可同时描述变化程度和变化类型的稀疏变化特征描述子，提高了变化类和非变化类的类间可区分性;其次，利用kNN分类器来获得粗分类;然后，基于区域级变化特征协同稀疏表示和鲁棒判别字典学习来获得精细分类，并在此基础上计算区域内像素是否发生变化的概率;最后，利用条件随机场通过图上的判别学习方式来融合所有尺度上的粗分类和精细分类，从而获得区域级变化检测结果。所提出方法通过在图上融合多尺度判别分类信息，提高了检测的精度。对比研究表明，本文所提出的方法能取得较优的变化检测结果。　　(iii)提出一种基于样本子集选择的变化检测算法。考虑到在实际的应用中，高分辨率图像尺寸普遍较大，往往需要针对应用场景，在检测速度和检测精度之间做出权衡。为此，提出了一种通过调整参数或改变参数学习方式，即可在样本集压缩率和分类精度之间做出权衡的样本子集选择算法。首先对每个样本赋予一个非负权重，通过优化稀疏正则kNN的分类精度得到样本权重。然后选择前k个具有最大权重的样本作为子集元素。与同类方法相比，所提出的方法在保证相当分类精度的同时，具有更好的样本集压缩率，因此提供了一种高效的大尺寸图像变化检测方法。实验验证了该方法在大尺寸图像变化检测中的有效性。　　(iv)提出了一种基于自编码机的无监督变化检测算法。其核心思想是采用深度学习模型来学习非线性的变化特征。具体地，论文构建了一种面向高分辨率变化检测的自编码机深度学习模型，提出了一种针对目标多时相图像的平凡变化的自编码机深度学习模型训练策略，利用自编码机生成了一种可消除平凡变化影响的模拟特征图;进一步通过比较真实特征与模拟特征的差异得出最终变化检测结果。与现有的人工变化特征提取方法相比，论文提供了一种基于深层神经网络的无监督变化特征学习范例。对比实验验证了所提方法的有效性。