伴随遥感技术的高速发展,遥感数据各方面的分辨率都有了极大提高,但与此同时,对遥感数据的处理能力已有些跟不上遥感数据获取能力的发展速度。本文针对遥感时空数据融合问题,以及遥感时空序列数据间的变化检测问题进行研究,对遥感技术的一些传统方法进行了改进,借助深度学习强大的特征提取和数据处理能力,提高遥感时空融合质量与变化检测精度。本文针对遥感影像的“时空矛盾”,提出一种改进的STARFM遥感高时空融合方法。利用SRCNN对低分辨率影像进行超分辨率重建,使用高分辨率影像作为低分辨率影像的先验知识,由于所融合的两组影像分辨率差距过大,本文采用了二次学习的方式进行改进,相比原有方法所得结果,本文方法在PSNR和SSIM上均表现更佳,提高了精度的同时缓解了传感器差异所造成的系统误差。STARFM在筛选相似像元与计算权重等时均使用专家知识提取人工特征,本文基于STARFM时空融合的基本思想,以SRCNN作为基本框架实现自动提取特征,实验结果相比原方法更优,进一步提高了遥感时空融合的质量。针对在改进方法时引入深度学习导致时间复杂度提升的问题,本文利用基于CUDA的GPU并行化改进方法,实现了SRCNN的并行化处理,充分利用了GPU的存储器分级技术与线程配置方法,相比传统的直接并行化方法进一步提高了运行效率。本文针对高分辨率遥感影像变化检测中,多数面向对象的方法难以进行高层特征提取的问题,提出了一种融合低层特征与高层特征的遥感变化检测方法。对不同时相遥感影像进行多尺度分割,在不同影像的对象间建立起一一对应的关系,提取对象的光谱特征,利用面向对象的变化矢量分析法得到不同尺度下的变化强度图,利用模糊融合技术在多尺度间实现变化强度图的融合,本文将融合所得的变化强度图作为变化检测对象级低层特征;利用FCN网络进行变化检测,经过卷积、反卷积、跳级连接得到变化检测像素级高层特征,利用多尺度间融合时的模糊融合方法实现高层特征与低层特征间的融合,得到最终变化检测的结果。实验结果表明,相比像素级的FCN变化检测方法与利用多尺度融合进行面向对象的变化检测方法,本文方法的准确率、召回率、F1值更高,验证了本文方法的有效性。