遥感图像变化检测是通过分析同一地点不同时刻拍摄遥感图像之间像素、纹理、结构等方面的差异,从而获取地物变化信息的过程。合成孔径雷达(Synthetic Aperture Radar,SAR)图像具有高分辨率、穿透能力强等优点,已成为遥感数据的重要来源。SAR图像变化检测广泛应用于环境检测、土地覆盖、城市规划以及军事战略等多个领域。本文针对SAR图像变化检测方法进行深入研究,围绕如何提高变化检测的精度完成以下工作:(1)提出了一种有约束特征差异双判别对抗网络,并将其应用于SAR图像变化检测中。该网络由两个判别网络构成,其中第一个判别网络用于预测两时相样本的类别标记,第二个判别网络用于判别类别标记的真假性。训练时,两个网络相互对抗从而相互促进相互提高,最终第一个判别网络将得到以假乱真的类别标记。此外,考虑到变化检测的本质任务是寻找两时相图像样本之间的差异,因此让两时相训练样本分别输入第一个判别网络的两条支路中提取各自的特征,并计算两时相样本之间的特征差异,使得网络学习了变化区域的特征,大幅降低了漏检。最后,对两个时相图像样本之间的特征加以距离约束,使不变类样本尽量聚合,变化类样本尽量分离,从而保证网络能够学习出更有区别能力的差异特征,类别标记也更加准确。通过对真实的SAR图像数据集的变化检测结果验证了该方法的有效性。(2)提出了一种基于相互非局部神经网络的变化检测方法。现有的非局部神经网络只是在一幅图像上计算各个位置像素点的加权平均值,从而捕获单幅图像像素点之间的长范围依赖。考虑到图像变化检测数据往往由两幅图像构成,如果只在单一图像上建立非局部联系并不能反映出变化检测的本质特性。因此,本文提出相互非局部算子,用以计算两时相图像样本之间相互非局部加权平均值,从而捕获两时相图像样本的相互长范围依赖,可以有效提高网络识别能力的同时减少原始图像中相干斑噪声的影响。此外,将相互非局部算子封装成相互非局部块,并将其作为卷积神经网络的输入层,形成相互非局部神经网络。最后利用相互非局部神经网络进行SAR图像的变化检测,实验结果证明了相互非局部神经网络在图像变化检测结果上具有优异的表现。