随着全球经济持续快速发展以及人类对自然环境的改造,地表土地覆盖类型频繁地发生变化。快速、准确地识别不同土地覆盖类型的变化信息,对国土资源普查、自然灾害监测等诸多领域具有重要的应用价值。基于多时相遥感影像的土地覆盖变化检测方法可以克服传统调绘方式的不足,已成为研究地区乃至全球土地覆盖变化的重要手段。全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)不仅可以通过主动成像方式有效地降低光学传感器受天气等因素的影响,而且通过收发不同极化方式的电磁波,获取比单极化SAR更加详尽的地物散射信息,为土地覆盖类型变化信息的高精度解译提供了数据支持。伴随极化SAR技术的迅速发展,迄今为止已积累了大量同一地区、不同时相的PolSAR影像。如何综合利用多时相PolSAR影像精确地提取某一区域的土地覆盖类型动态变化信息已成为一个亟需解决的难题。因此,本文在归纳和总结现阶段多时相PolSAR影像土地覆盖变化检测方法的基础上,以Radarsat-2和高分三号(GF-3)影像作为主要支撑数据,利用多时相PolSAR影像提供的丰富地物散射信息、影像统计分布特性,结合统计学习、机器学习等技术,对多时相PolSAR影像土地覆盖变化检测关键算法进行深入分析与研究,研究内容主要包括:(1)双时相PolSAR影像非监督变化检测方面:针对基于像素的非监督变化检测方法易受相干斑噪声影响、检测结果虚警率高,以及传统阈值分割算法分析非高斯统计分布的差异影像表现不佳的问题,本文提出了一种双时相PolSAR影像非监督变化检测新框架。该框架通过对生成的差异影像进行分割,有效增强了差异影像“疑似”变化区域的同质性,通过引入Elbow算法改进高斯混合模型,并利用改进后模型拟合差异影像的概率密度函数,更加有效地区分变化类与非变化类,提高了非监督变化检测精度。(2)时间序列PolSAR影像非监督变化检测方面:针对现有的非监督变化检测方法主要针对双时相PolSAR影像进行变化检测分析,不能较好地挖掘并利用时间序列PolSAR影像的时间维度信息的问题,本文通过引入Omnibus和R_j统计假设检验算法,提出了一种时间序列PolSAR影像非监督变化检测新方法,较好地提取研究区域总体变化以及任意时间间隔的变化信息,发现区域变化的时间点,实现渐进、持续变化信息的有效提取,提高了时间序列非监督变化检测效率。(3)基于主动学习的PolSAR影像分类后比较变化检测研究方面:针对现阶段双时相PolSAR影像监督变化检测方法需要大量标记样本,结果易受相干斑噪声影响的问题,本文通过引入面向对象的变化检测方法,有效地抑制相干斑噪声对变化检测结果的影响;并利用改进的决胜法样本选择策略选取少量且信息丰富的训练样本,减少了训练样本标注成本,提高了监督变化检测的精度。(4)多时相PolSAR影像监督变化检测方面:针对现阶段多时相PolSAR影像监督变化检测方法存在时间维度信息利用不足,且需要每景影像大量、高质量训练样本的问题,本文通过引入主动学习与迁移学习算法,结合Omnibus统计假设检验算法,提出了一种基于样本迁移的多时相PolSAR影像监督变化检测方法。实验表明:该方法仅需多时相内任意一景PolSAR影像的少量训练样本,实现土地覆盖类型动态变化信息提取,减少对各时相训练样本的依赖性,提高了类别动态变化信息识别精度与效率。