随着遥感技术的快速发展,遥感数据的获取方式更加多样化,海量的遥感数据和相关技术的进步为遥感在商业、科研等邻域的应用拓展提供了强大的发展潜力,同时也为深入研究土地利用、地表覆盖的变化检测提供了强力的数据与技术支撑。遥感影像变化检测通过对比和分析不同时相同一区域的遥感影像地物差异来提取目标区域的变化信息,对于观测研究地球表面覆盖变化有着十分重要的意义。近年来伴随着遥感影像分辨率的不断提高,传统的遥感影像变化检测方法在解决高分辨率遥感影像的变化检测任务上较难获得令人满意的性能,而基于深度学习的方法能够从高维特征空间对高分影像进行特征提取和对比分析,实现更加优越的变化检测性能。目前基于深度学习的高分辨率遥感影像变化检测处于发展阶段,虽然已有不少学者基于深度学习的理论技术提出了一些方法用于高分影像的变化检测任务,但是无论在监督、非监督变化检测以及差异较大影像上的变化检测任务上,其性能仍然有较大的提升空间。本文在充分调研已有方法的基础上,分析总结基于深度学习的变化检测方法的思路和存在的问题,分别针对监督、非监督以及跨季节影像的变化检测任务进行深入研究。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监督变化检测研究方面,对已有的基于深度学习的变化检测方法进行分类比较,针对当下性能表现最佳的基于图的方法中存在的原始影像高维特征代表性较低和梯度消失的问题,提出使用独立训练的两个子网络用于深度特征提取;对于异质性的原始影像特征与影像差异特征融合的问题,提出了基于注意力机制的融合方法;提出使用多级深度监督用于提升网络的变化检测能力。通过在公开数据集以及个人采集数据集上的性能对比实验验证了该方法的优越性。(2)在高分辨率遥感影像非监督变化检测研究方面,总结了基于影像深度特征提取的变化检测方法的通用流程方法,对于其存在的基于冗余高维特征生成较差变化图的缺陷,提出显著高维变化特征的提取方法;提出了基于变化样本、显著非变化样本和非显著非变化样本采集的分类方法;在采集样本的基础上使用相似度评价网络进行变化检测,基于相似度评价网络的方法不仅考虑了单一像素点的光谱变化特征,还纳入了像素点周围的邻域空间纹理特征。通过与基准方法对比的实验验证了该方法的有效性。(3)在极具挑战性的跨季节影像变化检测研究上,分析问题的关键挑战所在,提出使用双向域转换网络的影像转换方法,将异域影像的变化检测问题简单化为同域影像变化检测问题;针对不同影像对的变化图差异问题,提出融合方法实现多变化图融合。采用经典的基于对象的非监督变化检测方法,验证了域转换网络对非监督变化检测的有可靠性。