合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测是指对不同时期同一区域的SAR图像进行分析,得到多时相图像的变化信息。近年来,遥感数据成为变化检测的主要数据源,为变化检测提供了一种更便捷的途径,并且遥感图像变化检测技术在各方面得到了越来越广泛的应用。但是由于SAR图像的散射性使得图像中存在大量相干斑噪声,严重影响了图像的质量,因此需要提取图像中重要的特征信息并且有效抑制噪声,从而提高图像检测的准确率。同时减少算法的复杂度,提高算法的抗噪性能是目前需要解决的问题之一。因此,本文为提高变化检测性能,主要内容如下:1)实现了基于深度森林模型的SAR图像变化检测方法。主要针对SAR图像中存在较多的相干斑噪声和SAR图像数据量较少等问题。本方法在预分类过程中采用非局部均值算法,根据图像的邻域信息对差异图处理,可以维持对差异图的去噪和对差异图的细节保留的平衡,从而提高预分类的检测结果。因为深度森林模型具有参数较少,参数具有鲁棒性并适用于小数据集等特点,基于深度森林模型可以提高检测的准确率,简化训练过程。实验表明所实现的算法可以较充分学习图像特征,实现有效的变化检测。2)提出基于混合特征表示学习的SAR图像变化检测方法。主要针对差异图像块的特征会影响模型的训练效果的问题。本方法首先通过使用小波融合方法,稀疏自编码特征提取方法和非局部均值方法,形成三种具有不同特征的差异图像,然后基于深度森林模型对三种差异图像的特征进行学习,可以得到三种不同特征的数据集训练的结果,对这些结果进行融合得到最终检测结果。该方法基于集成学习的策略结合多特征实现变化检测,实验结果表明混合特征的学习,能够提高检测的准确率。3)提出基于多尺度融合和边缘信息的SAR图像变化检测方法。主要针对图像块输入的尺寸对结果存在影响和边缘部分难以检测等问题。本方法采用多尺度模型和融入梯度信息等方法进行改进,减少图像块尺寸因素的影响,提高边缘检测的准确率。该方法构建了多尺度深度森林模型,可以学习多尺度图像特征并且可以减少图像的局部信息对分类结果的影响。另外,通过实验分析得到,图像变化检测的错误像素绝大多数都存在于图像边缘部分,因此本方法将图像类别概率图与图像边缘信息相融合,实验结果表明该方法可提高变化检测结果的准确性。