遥感影像变化检测技术是遥感影像信息挖掘中的重要技术之一。遥感影像变化检测算法通过提取不同时相遥感影像中的变化区域来记录人类活动,自然环境变化等多种信息,为研究社会发展与生态环境变化提供客观、科学的依据。随着遥感平台与传感器技术的发展,人们获取空间数据的途径和手段日益丰富,遥感图像的时空分辨率也得到了极大提高。高分辨率遥感影像能够提供更加丰富的地物细节信息,然而,也为如何在更加复杂的地物信息中准确地提取出变化区域信息提出了更大的挑战。首先,由于成像环境因素导致不同时相的遥感图像差异巨大,难以有效地区别变化与伪变化区域。其次,由于变化地物具有随机的形状与大小,目前深度学习模型仅能在指定尺度下相同季节特征遥感图像的变化对象有一定的识别度,无法在具有随机尺度对象和不同季节特征的遥感图像中保持稳定的检测准确率。针对以上问题,本文结合深度学习中的最新研究成果,充分挖掘遥感图像中蕴含的地物变化信息,并对遥感图像变化检测理论与技术进行了深入的探讨。本文的主要研究内容如下:（1）针对具有季节性特征的高分辨率遥感图像难以进行相对辐射校正的问题,引入Cycle GAN（Cycle Generative Adversarial Network）用于遥感图像的相对辐射校正任务,并收集了一个具有季节性特征的双时相遥感数据集用于相对辐射校正研究。实验结果表明,基于Cycle GAN的相对辐射校正结果在视觉上明显优于其它相对辐射校正方法,图像距离视觉指标降低了9%。这为遥感图像变化检测和语义分割提供了更准确的相对辐射校正预处理方法。（2）针对高分辨率可见光遥感图像人眼视觉感知的相似性与已有的图像相似性定量指标不一致的问题,引入了视觉感知距离卷积神经网络用于检测相对辐射校正的准确性。实验结果表明,人眼感知的相似性与视觉感知距离网络基本一致。同时,这种视觉感知距离也能被卷积网络所识别。（3）针对遥感图像变化对象的随机尺度导致的检测结果不稳定的问题,本文设计了一个尺度注意深度学习模型SANet（Scale Attention Network）。该模型通过尺度注意力机制模块,能将检测出不同尺度的变化对象,从而提高变化检测的准确度,其中IOU达到42.68%。（4）针对具有不同季节特征的遥感图像变化检测问题,先基于Cycle GAN进行相对辐射校正。而后将校正后的图像放入到本文设计的深度神经网络模型中用于提取具有明显季节特征的双时像图像中检测变化的区域。实验结果表明,本文方法极大的提高了顾及季节特征的高分辨率遥感影像变化检测准确度,其中IOU指标提升了26.26%。