遥感图像变化检测是通过不同时间在同一地理区域获取的多时相遥感影像来分析和确定地表变化情况的技术,具有重要的应用价值。其中无监督异源遥感图像变化检测技术因其不需求带标签数据、不限制传感器类型、方法易于推广等优良特性在近年来受到了广泛关注。同时,在计算机视觉领域取得突破性成果的深度神经网络也因其特征深度抽象以及自主表示学习等特点被逐渐应用于图像变化检测问题。本文基于现有的变化检测技术和深度神经网络技术,针对异源遥感图像变化检测问题中存在的难点提出了三种无监督异源遥感图像变化检测方法。主要内容如下:(1)提出了一种基于耦合卷积自编码器与映射关系学习的无监督异源遥感图像变化检测方法。该方法设计了耦合卷积自编码器,将两幅输入图像中以各位置像素点为中心的成对图像块映射为特征空间中的特征向量对,这些特征向量对表示了两幅图像在对应位置的特征信息。接着,该方法通过全连接神经网络学习两幅异源遥感图像特征空间之间的映射关系。两幅图像中各位置的特征向量通过该映射关系被映射到一致的特征空间中进行比较并生成差异图,然后对差异图进行聚类得到变化检测结果。耦合卷积自编码器利用了卷积神经网络的优良特性,在提取颜色、形状、纹理以及空间关系等各级特征的同时也在一定程度上丢弃了图像中的冗余信息并减弱了噪声对变化检测结果产生的影响。实验结果验证了该方法的有效性。(2)提出了一种基于共性自编码器与负样本消除的无监督异源遥感图像变化检测方法。该方法先通过耦合卷积自编码器将两幅遥感图像映射到特征空间,再通过提出的共性自编码器学习特征空间之间的映射关系,同时消除来自变化概率较大的区域的负样本。由于这种负样本消除机制的存在,完成训练的共性自编码器仅建立未变化区域之间的映射关系,因此在一致特征空间中进行差异比较时未变化区域的差异会被缩小,而变化区域的差异则会被凸显。实验结果表明该方法能够有效提升差异图的质量和变化检测结果的精度。(3)提出了一种基于双向共性自编码器的无监督异源遥感图像变化检测方法。该方法先通过耦合卷积自编码器将两幅遥感图像映射到特征空间,再通过提出的双向共性自编码器直接衡量异源遥感图像中每对特征之间的相似度并生成差异图。双向共性自编码器利用图像变化检测的双向一致性构造了更加鲁棒的差异衡量标准,综合了两个共性自编码器计算的特征相似度来衡量差异,提高了差异图的质量和方法的鲁棒性。实验结果验证了该方法的有效性以及在不同应用场景中的适用性。