遥感变化检测是通过观察同一区域不同时间获取的遥感卫星图像,检测该区域地貌变化情况的技术,广泛应用于土地监测利用、灾害管理以及区域规划等方面。随着遥感技术的发展,多光谱遥感图像分辨率得到了提升,随之带来的光谱异质性现象,给传统的遥感变化检测技术在高分辨率影像上精确获取变化方面带来了挑战。从模式识别的角度来看,变化检测过程本质上也可以看作是一种对多光谱影像逐像素对进行二分类的分割问题,而当前基于深度学习的图像语义分割技术为解决上述问题提供了新的思路。因此,本文针对遥感图像变化检测的变化区域分割问题,提出了使用基于语义分割的深度学习框架来实现逐像素的端到端的变化检测流程。本文的主要研究内容包括以下工作:(1)本文针对多光谱遥感影像处理过程中,对处于复杂背景中的较小地物对象处理困难的问题进行了研究。本文首先从语义分割角度提出了基于Unet的多尺度语义分割网络(MSUnet,Multi-Scale Unet),利用遥感图像中地物对象的多尺度特征,提高语义分割性能,准确识别分割图像中的小目标对象。然后本文结合Siamese共享权重的特点,对遥感时相图同时进行特征提取,建立端到端的多尺度变化检测网络Siam-MSUnet实现多尺度变化检测,有效地检测小目标变化区域。此外,为了进一步提升变化检测效果,针对变化检测数据集样本数据不足的问题,本文通过属性剖面对变化检测图像进行了属性滤波,实现数据增强。实验结果表明,通过这些措施可以有效提升变化检测效果,Kappa系数提升5%,并且可以较为准确地捕捉小目标变化区域的边缘信息,提高变化检测精度。(2)随着遥感卫星影像分辨率的提高,非感兴趣区域的变化对实际的变化检测造成严重干扰,降低了变化检测精度。所以本文针对非感兴趣区域变化对变化检测的干扰问题进行了研究。本文提出基于差异选择性传输单元的变化检测网络(DSTUnet,Diff-SelectiveTransform-Unet)对遥感时相图中特定感兴趣区域的变化进行检测。本文通过设计基于差异属性的选择性传输单元(DSTU)将Unet中的浅层特征以及深层语义特征进行自适应特征融合,在编码过程中抑制非感兴趣区域的变化信息,增强感兴趣区域的变化信息,进而避免非感兴趣区域变化所造成的干扰。此外,针对变化检测数据集中变化类与非变化类的样本不平衡问题,本文提出了一种结合类平衡交叉熵损失函数、dice系数损失函数以及L1正则化的加权目标函数,该目标函数能有效的提升变化检测精度。实验结果表明,基于DSTUnet的变化检测可以有效识别时相图中感兴趣区域的变化,并且通过对目标函数的融合设计,使得遥感变化检测的各项精度指标均有明显提高,F1分数提升9%。综上所述,本文主要针对这两个问题进行了研究:小目标变化区域的检测不准确以及非感兴趣变化区域对变化检测造成干扰。并且分别提出了对应的解决方案,通过实验证明本文所提出的方法对变化检测精度均有所提升。