街景影像变化检测可以从不同视角检测变化信息,且具有独有的立面检测方式,能快速检测城市结构变化和街道场景变化,因而在智慧城市建设、城市管理、灾损评估和灾害应急管理等领域具有重要研究意义。但街景影像具有场景复杂的特点,采用传统变化检测方法和机器学习等方法对街景影像进行变化检测存在总体精度低,错检率高等问题。全连接神经网络可根据影像的纹理、场景等高级语义特征对影像进行处理,已被广泛用于图像处理和计算机视觉领域。采用全连接神经网络可在一定程度解决街景影像中“同物异谱”和“异物同谱”问题。因此,本文研究基于全连接神经网络的街景影像变化检测方法。本文的主要工作及研究内容如下:（1）建立街景影像语义分割数据集。本文采用的基于全连接神经网络街景影像变化检测方法是建立在两期街景影像语义分割基础上的,但目前街景语义分割可用的训练数据集较少,难以满足不同街景语义分割。为此本文在labelme软件的基础上制作街景影像语义分割数据集,并用于对Camvid数据集进行增广;（2）提出了一种改进DeeplabV3+网络的街景影像变化检测方法。针对DeeplabV3+网络迁移学习模型存在泛化能力不足和检测精度低等问题,提出了改进DeeplabV3+网络的街景影像变化检测方法。该方法优化训练数据和改进特征提取网络,并选取最优网络模型用于街景影像变化检测。实验结果表明,两组数据采用本文方法得到总体精度分别为82%、63%,Kappa系数分别为49.39%、26.36%,F-measure系数分别为89.4%、79.3%,结果优于其它对比方法;（3）提出了一种DeeplabV3+网络结合图割的街景影像变化检测方法。街景影像中天空存在“同物异谱”问题,其变化检测结果严重影响了DeeplabV3+网络迁移学习方法的变化检测效果。基于此,本文提出了DeeplabV3+网络结合图割的街景影像变化检测方法。该方法采用图割消除天空和植被的影响,以此降低错检率,提升变化检测精度。实验结果表明,两组数据采用该方法得到的总体精度分别为77%、67%,Kappa系数分别为43.14%、25.06%,F-measure系数分别为86.1%、81.5%,结果优于其他对比方法。