遥感图像的变化检测是检测同一区域前后两个时相上遥感图像的变化情况。合成孔径雷达(SAR)利用主动微波进行成像。相比于光学、红外等其它传感器,SAR成像时不受云、雨、气候的干扰,能够对目标实现全天时、全天候的检测。随着SAR成像技术不断发展,越来越多检测性能极佳的体制雷达出现,对变化检测方法也提出了更高的要求。目前SAR在抗洪救灾、城市规划、农业管理、地形勘探等领域有很大的用处。本文主要对SAR图像的变化检测方法进行研究,在已经提出的检测方法基础之上进行改进,结合深度学习等机器学习方法提出了更为行之有效的检测方法,论文主要的研究成果如下:1、对于已有的KI阈值分割算法中对遥感图像的像素分布的拟合程度不够精确的情况进一步改进,提出了基于G~0分布的类条件分布模型,G~0分布解析表达式比较简单,且参数估计非常容易,并且适用性很广,能对均匀、不均匀、极不均匀的单视、多视区域进行较精确地建模,检测效果更为理想。2、针对模糊C均值(FLICM)算法在图像的变化区域与非变化区域的临界信息模糊的问题,本文提出了利用双边滤波算子对差异图像进行边缘强度信息提取,修正FLICM算法中邻域窗内像素点权值,使得邻域窗滑动至变化区域边缘部分时能够对噪声切向平抑,保护好变化区域的细节信息,结合图像融合思想,将对数比值图像与基于邻域比值图像进行小波融合,将两种差异图像的优势进行融合,能够在抑制背景噪声的情况下同时尽量提高变化类与非变化类区域的对比度,以便于差异图的分类检测。3、结合深度置信网络特征学习方法进行研究。深度神经网络相比于早期的浅层神经网络具有很多明显的优势,训练时长较短,并且采用逐层训练的方法,避免出现传统神经网络中误差向前传播过程中越来越弱的问题,防止梯度扩散情况的发生。本文采用二维Gabor滤波器选取合适的训练样本来对深度置信网络进行训练,使用训练好的神经网络进行分类检测,得到最终的变化检测结果。