遥感图像变化检测目的是通过比较分析同一地区不同时间段的两幅或多幅遥感图像得到目标区域的变化信息。随着遥感图像质量的不断提高和遥感图像处理技术的不断发展,变化检测已经成为遥感领域一个非常重要的研究方向。由于实现简便、占用存储空间小以及分解结果可解释性强等优点,非负矩阵分解(Nonnegative Matrix Factorization,NMF)系列算法目前已成功应用于遥感图像变化检测领域。本文研究将加权非负矩阵分解(Weighted Nonnegative Matrix Factorization,WNMF)算法应用于遥感图像变化检测中,具体研究内容如下:(1)研究了将加权非负矩阵分解算法应用于遥感图像变化检测的可行性。为了有效地探索两幅输入遥感图像之间的变化信息,使用加权非负矩阵分解模型来提取差值图像中的特征。在WNMF模型中,通过借助径向基函数度量两幅输入图像中相应像素的差值来设计一种新的权重矩阵,让变化明显的像素拥有较大的权重,反之亦然;从而增强了变化像素和未变化像素的可分离性。此外,将基于L1/2正则化的稀疏约束引入到模型的目标函数中以提取更有效的稀疏特征。将提出的算法在四组遥感图像上进行仿真测试,实验结果证明了基于加权非负矩阵分解的遥感图像变化检测算法能获得更好的检测结果。(2)为了使上述WNMF算法提取的特征具有判决性,研究了判决加权非负矩阵分解(Discriminative WNMF,DWNMF)在遥感图像变化检测中的应用。在该算法中,联合特征学习和分类模型,将分类误差项嵌入到特征学习目标函数中,利用预分类算法产生标签样本来学习出一个具有判决分类能力的特征,让整个模型更倾向于获得判决特征,从而进一步提升检测性能。最后通过四组遥感图像的实验结果证明该算法可以获得比WNMF算法更优的变化检测结果。