随着卫星技术的快速发展,高分辨率多时相遥感影像的获取变得相对容易,为建筑物的变化检测算法研究提供了数据基础。建筑物和人类活动与发展有着密切的联系,是地球表面变化最多最快的地物类型,但目前遥感影像建筑物的变化检测算法并没有一个统一的范式,本文针对遥感影像建筑物特性,对基于深度学习的变化检测方法进行深入研究,并针对现有变化检测方法存在的问题,进行改进。论文的主要工作如下:（1）对现有遥感影像建筑物变化检测方法的发展历程和研究现状进行总结和分析,根据变化检测处理流程的不同,将遥感影像变化检测分为直接变化检测和分类后处理的间接变化检测,并阐述两类方法的技术路线和仍然存在的问题。（2）针对分类后处理变化检测方法同时绘制两期影像的语义分割标注而导致的人工成本问题,本文提出一种基于级联全卷积密集回归网络的偏移修正方法。首先,该方法能够有效利用现有的建筑物图斑,解决由于现存的建筑物图斑和新影像之间存在配准误差和高程引起的视差而导致的无法直接应用于有监督方法的训练问题,从而实现半自动化数据制备。其次,在WHU-CD数据集上的实验结果,表明了只需人工完整制备一期影像标注,另一期标注通过偏移修正和少量人工检查获得,就可以达到和人工完整制备两期影像标注相同的变化检测效果。（3）针对现有的直接变化检测方法没有有效利用两时相影像特征关联的问题,本文提出一种加入动态选取注意力机制的端到端直接变化检测网络。首先,基于注意力机制的特征动态选取模块,能够利用两时相特征的差值指导网络学习侧重使用哪一时相的特征。其次,加入一种基于变化像素数量加权的平衡对比损失。最后在WHU-CD和LEVIR-CD数据集上的实验表明,在参数量略微增加的条件下,变化检测精度均有提高,验证了该方法的有效性。