遥感图像变化检测是通过对拍摄于同一地点不同时刻的图像进行分析而识别出地表变化区域的过程。由合成孔径雷达(Synthetic Aperture Radar,SAR)获得的图像不易受到光照、大气等条件的干扰,已被广泛应用于城市规划、土地覆盖和灾害评估等领域。而深度学习技术因其强大的特征提取能力在图像领域表现突出,受到了众多研究者的关注。据此,本文针对如何提高SAR图像变化检测的精度,取得了以下研究成果:(1)提出了一种孪生判别分类对抗网络以实现SAR图像变化检测任务。该网络由孪生生成网络和判别分类网络构成,分别用于得到两个时相样本的不相似概率,并用于判定不相似概率所属的类别标签与真假性,即变化检测任务由两个网络共同完成。而且,针对变化检测的本质是找出两个时相样本之间的差异,而孪生网络所具有的相同结构且共享权值的两分支结构有利于获取具有差异性的特征,故在孪生生成网络的设计中引入此思想,在获取每一时相样本的特征之后计算差异性特征,以使网络学习到变化区域的信息,减少漏检,并在此基础上设计差异性特征提取网络,以获得二者之间的不相似概率。此外,本文提出将判别分类网络设计为单值输入双重输出的结构,在原有判别器的基础上增添一个辅助分类器,用于对不相似概率进行类别标签的判定,以提高变化检测精度。通过在多个SAR数据集上进行实验,可以使该方法的有效性得到验证。(2)提出了一种时空融合分支卷积堆栈长短期记忆网络来实现SAR图像变化检测任务。双时相图像中不仅具有空间维度的信息,而且时间维度的信息对于变化检测仍有重要作用。鉴于目前变化检测中对时间维度信息的利用不足以及为了充分利用双时相图像中的时间维度信息和空间维度信息,本文提出的网络包含卷积子网络与堆栈长短期记忆子网络,分别用于提取独立且完整的空间特征与时间特征。此外,考虑到空间特征与时间特征会对变化检测结果具有不同的重要性,本文设计了一个时空特征融合模块,该模块通过为空间特征与时间特征设置不同的可训练权重以使得到的时空特征对提升图像变化检测的精度具有促进作用。最后通过一个预测分类层可以实现对该时空特征的类别判定。实验结果可以证明该方法在多个SAR图像数据集上的有效性。