土地利用/土地覆盖（Land Use and Land Cover,LULC）变化检测是利用变化检测算法对同一地区不同时相的遥感影像定量地比较、分析和确定出地表变化特征的研究。目前我国城市化的建设仍然在继续,新农村建设也在如火如荼的进行,土地覆盖状况处于急剧变化的阶段;同时世界人口基数庞大,人类对土地资源的需求以及人类活动对地表变化的影响也十分巨大,因此土地覆盖变化检测受到了广泛的关注。光学影像由于在多云多雨地区难以获取高质量的影像,因此在极端天气条件或进行长时间序列变化检测研究时受到较大限制,不受云雨等天气影响的合成孔径雷达（Synthetic Aperture Radar,SAR）数据成为该区域重要的数据源。传统基于像元的变化检测方法会造成大量的椒盐噪声,SAR数据受相干噪声的影响使得基于像元的变化检测方法更加难以获得良好的效果。近年来,深度学习在自然场景分类研究中获得良好效果而备受遥感领域关注。深度学习可以自动提取遥感影像深层特征,解决其中复杂的映射关系,同时有较好的容错能力。但是由于SAR影像获取成本较高且目视解译难度较大,目前基于深度学习进行SAR影像变化检测有待进一步深入研究。本文基于全极化的RADARSAT-2数据,以四川省眉山地区为例,开展土地覆盖变化检测方法研究,主要工作和成果如下:（1）提出了一种光学引导不同时相SAR差异影像,结合面向对象的遥感变化检测方法。使用后时相Sentinel-2光学影像对基于前、后时相SAR影像生成的雷达差异影像进行面向对象引导分割,提取对象级多维特征并对特征空间进行优化,结合面向对象的随机森林算法实现土地覆盖变化检测。与现有的算法相比,该方法在各项精度指标均有较大提升,同时能够有效避免椒盐噪声的现象,在试验区的准确率为92.90%,召回率为96.61%,F1-measure为96.07%,错分误差和漏分误差分别为4.47%和3.39%。（2）评价与分析广泛应用于光学影像的深度学习模型在全极化SAR数据的土地覆盖变化检测的可行性与应用效果。利用Mobile Net模型的深度可分离卷积替换传统卷积进行特征提取,结合U-Net模型基础框架,提出了Mobile UNet模型以适应于小样本训练。在创建的SAR变化检测数据集的基础上对不同模型进行训练,实验结果表明,广泛应用于光学影像的深度学习模型在针对SAR影像变化检测上同样适用,并在不同程度上有效地获取了变化检测结果,其中Mobile UNet模型针对变化剧烈和变化情况复杂的区域均具有独特优势且各项精度指标最优,其测试集的准确率、召回率、F1-measure分别为95.11%,96.15%和97.15%,错分误差和漏分误差分别为1.79%和3.85%。（3）针对本文提出的两种方法进行了噪声敏感性分析。分别对未滤波以及经Refined Lee方法的不同窗口进行滤波的SAR影像创建不同的数据集,然后使用各数据集对本文提出的方法进行变化检测以探究两种方法对雷达噪声的敏感性。实验结果表明,当SAR数据未经滤波时,两种方法都会在不同程度上受到噪声的影响;针对滤波后的数据,深度语义分割相较于面向对象的方法在变化检测结果的精度上由于不同滤波条件下数据信息和噪声之间的平衡关系而呈现出一定的规律性,当滤波窗口为7×7时能够较好的平衡影像细节的保留和噪声去除的关系使得变化检测效果最佳。