遥感图像的变化检测旨在通过对同一地区不同时间的两幅遥感图像进行分析,找出相应变化的区域。目前它已经被广泛应用到城市规划、环境监测、灾害评估等方面。近年来,合成孔径雷达(Synthetic Aperture Radar,SAR)在遥感图像领域中扮演着越来越重要的角色,吸引了越来越多研究者的注意。这主要是因为合成孔径雷达具有不易受环境和天气影响的特点。本文主要对SAR图像的变化检测方法进行研究和分析,对一些原有的方法进行改进。结合新颖的技术理论,提出一些新的变化检测方法,本文的重点包括以下工作:1.对基于深度神经网络的特征学习方法进行研究。结合深度学习方法以及SAR图像变化检测存在的一些问题,提出了一种新的基于特征学习的SAR图像变化检测模型。在该方法中,特征学习包括基于稀疏自编码器的无监督特征学习和基于卷积神经网络的有监督特征学习。基于稀疏自编码器的无监督特征学习主要是为了将两幅图像所产生的差异图转化到特征空间上,降低噪声对图像的影响,并为后续的有监督特征学习提供分类标签。基于卷积神经网络的有监督特征学习主要是从无监督特征学习生成的特征图中进一步提取出更加抽象的特征,并利用这些特征来更加准确的检测出变化部分和未变化部分。将本方法在不同的数据集上进行实验,相对于四种对比算法中所得到的最优结果,本方法所得的实验结果在Kappa系数上最好能提高4.76%。2.对KI算法进行研究改进。针对原始的KI算法在变化检测过程中存在未充分利用像素之间的邻域信息和像素的特征信息且易受噪声影响的问题,提出了相应的改进方法。为了充分利用邻域信息和特征信息,以及降低噪声的影响,改进的方法主要通过稀疏自编码器对差异图进行特征提取,将其转换到特征空间上去。根据所提取的特征,利用模糊聚类求得每个像素点属于变化类和未变化类的隶属度。并将隶属度与KI算法的判别公式相结合,进而得到一个更加合理的阈值。通过实验对比,改进的方法相对于原始的KI算法在Kappa系数上最好能提高12.78%。