作为遥感影像处理与分析领域出现最早、应用最为广泛的技术之一,遥感影像变化检测能够帮助我们检测、分析和理解地球表面的地物变化信息。目前,变化检测技术已经在土地覆盖与利用变化分析、城市扩张研究、生态系统监测和自然灾害评估等方面发挥了重要的作用。随着遥感对地观测技术的进一步发展,越来越多的遥感传感器可以提供高分辨率遥感影像。相较于传统的中低分辨率的多光谱遥感影像,高分辨率遥感影像能够利用的光谱信息较少,并且伴随而来的高空间分辨率使得相同地物内部的异质性增强。这些因素使得传统的方法在多时相高分辨率遥感影像变化检测任务上难以取得能够满足实际应用需求的性能。深度学习技术可以从输入数据中有效和自动地提取层次化的代表性特征,十分适合处理高分辨率遥感影像。目前,基于深度学习的高分辨率遥感影像变化检测仍然处在发展阶段,并且大部分方法只局限于最基础的二类变化检测任务。但是,丰富的遥感数据源为我们进行更精细的变化检测任务提供了数据支持。本文在充分调研和分析现有方法的基础上,总结了现有方法的缺陷,对基于高分辨率遥感影像的多类变化检测、多源变化检测和跨域变化检测任务进行了深入研究。本文研究工作主要包括以下几个方面:（1）在高分辨率遥感影像多类变化检测研究方面,针对目前大多数非监督的深度学习模型在特征提取的过程中破坏了高分辨率遥感影像内部像素之间的空间依赖关系以及忽略了语义变化信息这两个问题,本文以子空间学习算法核化主成分分析为基础,提出了核化主成分分析卷积这一非监督特征提取模型。该模型以类似卷积神经网络中卷积层的模式从高分辨率遥感影像中提取空间-光谱特征。然后本文进一步提出了一种特征值加权的变化信息极坐标。极坐标的极径包含关于是否存在变化的信息,极角则代表了变化类型的语义信息。该模块可以有效地利用深度差值特征从而分离不同类型的地物变化。基于这两个关键模块,本文提出了一种深度核化主成分分析卷积映射网络,以无监督的形式进行高分辨率遥感影像的多类变化检测。实验结果表明提出的深度核化主成分分析卷积映射网络能够准确地检测出不同类型的地物变化。（2）在高分辨率遥感影像多源变化检测研究方面,针对目前大多数基于深度学习的变化检测方法只考虑单源同质遥感影像的问题,为了更好更快地提取、解译和理解地球表面的变化以应对突发事件,本文将两种经典的深度学习模型——卷积神经网络和循环神经网络相结合,提出了一种深度卷积多层循环神经网络用于高分辨率遥感影像的多源变化检测任务。网络首先通过一个深度孪生卷积神经网络从多源遥感数据中提取空间-光谱特征。对于同质和异质遥感影像,深度孪生卷积神经网络分别被设计为一个纯孪生网络结构和伪孪生网络结构。然后,为了有效地挖掘变化信息,本文通过堆叠长短期记忆单元构建了多层循环神经网络,该结构可以对多时相空间-光谱特征进行时序建模,得到具有丰富变化信息的空间-光谱-时序特征。最后通过一个特征映射网络预测最终的变化概率。实验结果显示本文的方法可以有效地利用同质和异质的多时相高分辨率遥感影像解译地物变化。（3）首次提出了跨域变化检测的概念,并且根据跨域变化检测中的源域和目标域所属的传感器的类型给出了三种不同的情况。针对前两种情况,本文提出了一种深度孪生特征泛化网络。本文首先引入了多核最大均值差异,用该指标来衡量源域和目标域的特征分布差异。然后,本文在网络中采用多层嵌入的策略,将多核最大均值差异嵌入到网络的最后几层中。通过在训练过程中最小化源域和目标域的多核最大均值差异,从而减小源域和目标域的变化特征分布差异。在三个具有代表性的跨域变化检测任务的实验上显示,本文提出的框架只需要非常稀疏的目标域的标签数据,即可有效地从源域数据集迁移到目标域数据集,准确地解译目标域数据集中的地物变化。