合成孔径雷达（Synthetic Aperture Radar,SAR）的全天候全天时的优点使它成为遥感领域里一个重要的研究方向,SAR图像变化检测就是其重要应用之一。SAR图像变化检测的目的是,通过对同一地点不同时间所获取的SAR图像进行分析,获取该区域内的变化信息,已应用于灾害评估、城市规划、农作物监控和军事侦查等方面。但传统SAR图像变化检测方法存在一定的不足,比如逐像素检测导致领域信息的丢失和对SAR图像斑点噪声较高的敏感度。本文针对这些不足,结合深度学习理论和技术,研究并提出了新的SAR图像变化检测方法。本文主要工作如下:（1）针对现有深度学习变化检测方法采用矩形取片方式带来的很多不确定性的问题,本文提出了一个基于小波卷积神经网络（Convolutional-Wavelet Neural Network,CWNN）的SAR图像变化检测算法。首先对原始SAR图像进行超像素分割,以超像素为对象进行分类,为网络训练提取样本。相较于传统以像素为目标提取样本,使用超像素可以将同质区域作为分类基础,加入了领域信息,面向对象地为网络筛选更加具有识别性的训练样本。然后将提取的样本送入CWNN进行训练。与卷积神经网络（Convolutional Neural Network,CNN）相比,CWNN的池化层为小波池化层,可以池化掉一些高频信息,对于SAR图像成像机理所产生的斑噪有着较好的抑制效果,降低其对于变化检测结果的影响。最后使用训练后的网络对未被选为训练样本的超像素进行分类,得到最终的变化图。通过在三组真实SAR图像数据集上的实验,表明本方法相比于其他两种对别算法,正确率最高高出14.15%,Kappa系数（KC）最高高出26.42%,证明本算法有较优秀的表现。（2）针对SAR图像中强斑噪声产生的虚假变化导致虚警率过高的问题,本文提出了一个基于PCANet的两级SAR图像变化检测算法。第一级中使用超像素分割原始SAR图像,提取的样本送入PCANet1中进行训练。PCANet使用PCA滤波器组取代CNN的卷积层,在网络的训练过程中,不需要正则化参数和数值优化求解器,这提高网络的效率和精度。使用训练后的PCANet1将SAR图像分类为两类,一类为无变化类,另一类为变化类,变化类包括由噪声引起的变化和真实地物引起的变化。在第二级中,只针对第一级的变化类进行分类,使用低秩稀疏分解减弱斑噪对超像素的影响,然后选取样本送入PCANet2进行训练。最后使用训练后的PCANet2检测图像,得到最终变化图。通过在三组真实SAR图像数据集上的实验,表明本方法相比于其他四种对比算法,正确率最高高出43.78%,KC最高高出38.97%,证明本算法有较优秀的表现。