森林是我国重要的自然资源和战略资源。为更好地保护森林资源,及时准确地掌握森林动态变化信息,由国家林业和草原局总体规划和统一部署的森林督查年度更新工作,已成为各级林业部门的重要工作。森林督察工作一般采用国产高分辨率卫星遥感数据,结合人工判读,对两年间的森林变化图斑进行提取。由于时间紧,任务重,传统的调查方式依然存在人力成本高,工作量巨大的问题。利用遥感影像进行森林变化检测具有低成本、高效率的优势,但是基于遥感数据的变化检测方法较多,检测效果却参差不齐,寻找一种具有普遍应用性且高效的检测方法尤为关键。本次研究以广西壮族自治区梧州市苍梧县作为研究区域,选用高分一、高分二和资源三号卫星2018年和2019年影像作为实验数据,考虑到森林督察工作,需要在短时间内对全国的多源遥感数据进行快速预处理和拼接,很难实现多源遥感数据颜色的精准匹配,因此本文也采用了最简单的数据预处理方法,使实验数据更接近督察工作中的遥感影像,探讨了森林变化信息提取。结果表明:（1）利用波段差值法、植被指数法、最大似然分类法、支持向量机分类法对苍梧县森林变化图斑进行提取分析,Kappa系数分别为0.55、0.43、0.61、0.58,森林正向变化提取的精确率为0.19、0.10、0.22、0.22,森林负向变化提取的精确率为0.38、0.16、0.27、0.35,结果显示几种方法的森林变化信息识别精度较低,检测结果难于应用于生产实践。（2）基于深度学习理论,构建了森林变化检测网络,其在森林变化检测中要远优于以上四种算法,最终检测结果的Kappa系数为0.94,平均交并比为0.88,在森林正向变化检测中,精确率为0.88,召回率为0.91,F1分数为0.89;在森林负向变化中,精确率为0.89,召回率为0.93,F1分数为0.91。森林的正向检测和负向检测均非常理想,此方法受数据源及数据处理方式的影响较小,训练出的模型已经可以尝试应用于森林督查的自动判别工作。同时此网络对森林的正向变化检测结果,也可以为未来国家森林的固碳效果和造林成活评价提供重要数据支撑。（3）在高分一、高分二和资源三号卫星的遥感数据的森林变化检测中,高分二号影像和资源三号影像的检测结果最为理想。在云量较少,数据质量较好的情况下,利用高分二号和资源三号卫星的数据,结合分类算法提取森林变化区域,也可以得到较理想的结果,但与深度学习的算法相比仍然差距很大。