深度学习网络模型作为一种新型的多层神经网络模型,拥有强大的复杂数据表示能力,已经引起了不同领域学者的广泛关注.在深度学习的主流模型中,受限玻尔兹曼机（Restricted Boltzmann machines,RBM）往往是其重要的组成构架.通过优化几个堆叠的RBM,深度网络可以高效地完成训练并在目标任务中获得较满意的效果,这充分说明RBM在深度学习中占据着重要的地位.因此,关于RBM的研究具有重要的理论价值和现实意义.本文首先对RBM进行改进,其次将改进后的多个RBM堆叠形成一个深度网络,最后将该网络应用于SAR图像变化检测中,具体的研究工作如下.（1）具有无约束隐层的RBM会产生冗余的编码和无结构的权重模式,这会影响其特征提取能力.稀疏表示能够获得简洁的编码和结构化的权重模式,进而提升RBM的特征提取能力.通过在目标函数后添加光滑L₀范数是实现稀疏表示的一种重要方法,因此,本文提出一种全新的基于光滑L₀范数的稀疏约束RBM模型,令为SmoothRBM.本文针对手写字体数据集做了相关的实验,包括对基于改进模型的特征提取性能进行可视化评价,对特征稀疏度以及表示的判别力进行实验分析.实验结果表明,SmoothRBM的特征提取能力比WeihgtdecayRBM、SparseRBM和PCA模型的特征提取能力更强.（2）将多个SmoothRBM堆叠起来,本文构建一个全新的基于光滑L₀范数的稀疏约束深度信念网络（Deep belief nets,DBN）,称之为SmoothDBN.实验结果表明,SmoothDBN在手写字体数据集的测试集上分类误差率为0.98%,而DBN、WeihgtdecayDBN和SparseDBN等一些优秀的分类器在测试集上分类误差率均在1%以上.（3）基于SmoothDBN研究SAR图像变化检测问题.该方法的主要思想是将SmoothDBN直接作用于变化前后的两幅图像以获得最终的变化检测结果.在多组真实的SAR图像上的检测结果表明,从OE、Kappa等评价指标上来看,本文的新方法比DBN和GKI两个优秀的检测方法拥有更佳的检测效果.