遥感是作物种类识别、变化检测等工作的重要数据来源。由于遥感影像中存在地物尺寸不一、地物特征不固定、目标作物背景环境复杂等问题,给作物遥感识别和变化检测带来诸多挑战。中国是世界葡萄生产大国,准确地获取葡萄种植区的空间分布及变化信息,对优化葡萄种植区域布局和促进葡萄产业结构调整具有重要意义。本文基于高分二号（GF-2）卫星影像,以U-Net模型为基础,开展面向葡萄种植区的遥感影像变化检测方法研究。主要研究内容及结果如下:（1）葡萄种植区数据集的构建方法。使用正射校正、影像配准、影像融合及裁剪等操作对多时相遥感影像进行预处理;人工标注遥感影像中的葡萄种植区,生成与原图像大小相同的标注图像,并对原图和标注图像进行切割;使用数据增广技术进行样本扩充,生成葡萄种植区数据集,为后续葡萄种植区的遥感识别和变化检测奠定基础。（2）葡萄种植区遥感识别方法。为提高葡萄种植区遥感识别精度,本文基于高分二号卫星遥感影像,针对影像中葡萄种植区的种植分布和纹理特征等特点,对U-Net模型进行相关改进。通过注意力模块从空间和通道维度自适应校准特征映射,增强有意义的特征,提升地物边缘分割精度;减少下采样次数,使用混合扩张卷积代替常规卷积操作,增大卷积核感受野,降低图像分辨率的损失,提高对不同尺寸地物的识别能力。实验结果表明,本文模型在测试集上的像素准确率、平均交并比和频权交并比分别为96.56%、93.11%、93.35%,比FCN-8s模型分别提高了5.17、9.57、9.17个百分点,比U-Net模型分别提高了2.39、4.59、4.39个百分点,比Seg Net模型分别提高了2.44、4.57、4.43个百分点。此外,本文通过通过消融实验和特征可视化探究了注意力模块和混合扩张卷积对本文模型的影响。（3）葡萄种植区变化检测分析。利用（2）设计的分割模型对前后时相遥感图像的多个测试区域分别进行变化检测,并利用形态学滤波等方法对结果进行后处理,通过比较前后时相遥感影像的预测结果图,生成葡萄种植区变化检测结果。实验结果表明,改进的U-Net的葡萄种植区变化检测的总体精度、F1分数、Kappa系数分别为95.43%、86.39%、81.27%,比FCN-8s模型分别提高了7.89、11.99、18.42个百分点,比U-Net模型分别提高了2.39、5.64、8.18个百分点。本文模型结构简单、参数量少,能够识别不同尺寸的葡萄种植区,边缘分割效果良好,为其他作物变化检测精度的提升提供了一种有效途径。