建筑物作为最基本的地表要素之一,是不可忽略的研究目标。掌握建筑物的变化情况,对于城市监测、灾后损害评估、GIS地图更新等具有重要意义。高空间分辨率的遥感影像包含丰富的空间纹理信息,已成为建筑物变化检测最主要的数据来源之一。但是传统的变化检测方法效率较低,且人工设计特征的表达能力有限,不适用于识别双时相高分辨率遥感影像中复杂的细节特征、语义特征和时空关联特征。因此,如何开展自动、准确的高分辨率遥感影像建筑物变化检测工作,是目前亟需解决的重要问题。深度学习技术能高效、准确地提取深度特征,已被广泛应用于遥感影像建筑物变化检测。本文从语义分割角度开展了基于深度学习的高分辨率遥感影像建筑物变化检测研究,但该类方法源于处理单时相图像的全卷积神经网络,易割裂双时相影像的时空相关性或者提取的时空关联特征较为单一,仍然不能充分地挖掘双时相遥感影像中建筑物的时空关联特征,难以有效区分影像中阴影和道路等“同物异谱、同谱异物”导致的建筑物“伪变化”,使得建筑物变化检测精度下降。针对上述问题,本文开展了以下研究工作:（1）针对U-Net全卷积语义分割模型易忽略双时相建筑物的时间相关性或者提取的时空关联特征较为单一,导致模型在具有“伪变化”的双时相影像中难以识别尺寸、形状和空间分布各异的建筑物变化区域的问题,通过结合早期融合（Early Fusion,EF）和后期融合（Post Fusion,PF）,构建了时空特征融合机制,并进一步结合Res Net残差单元构建了基于时空特征融合的建筑物变化检测模型MF＿Res Unet,提高了建筑物时空关联特征的代表性、多样性和完备性,增强了对建筑物“伪变化”的甄别能力,提高了建筑物变化检测的精度。（2）针对MF＿Res Unet模型中异构的建筑物时空关联特征融合重建时易产生冗余,导致模型训练效果不佳,从而引起变化检测精度下降的问题,引入混洗注意力思想构建了注意力感知模块,在探索深度监督模块权重的基础上构建了深度偏好损失监督模块,最后将这两个模块嵌入MF＿Res Unet模型中,设计了一种基于时空注意力深度感知的建筑物变化检测方法。在增强了建筑物时空关联特征有效融合的同时,缓解了端到端集成网络中梯度不流通和监督信息不足对时空关联特征交互的影响,改善了模型的训练效果,进一步提高了模型对建筑物变化区域的识别能力。研究表明:在基于U-Net模型的高分辨率遥感影像建筑物变化检测方法中,相对于早期融合和后期融合的时空关联特征提取模式,本文基于时空特征融合机制的MF＿Res Unet模型能更有效地识别建筑物“伪变化”区域;相对于MF＿Res Unet模型常规的特征交互模式和模型监督方式,本文的注意力感知模块和深度偏好损失监督模块可以进一步优化模型识别建筑物变化区域的效果。通过改进基于U-Net的变化检测方法的深度学习模型和模型训练方式,得到了基于时空注意力深度感知的建筑物变化检测方法。与改进前的方法相比,本文方法在高分辨率遥感影像建筑物变化检测中,检测结果更佳,精度更高。基于时空注意力深度感知的建筑物变化检测方法在建筑物变化检测方面具有较好的效果,可望更好地服务于城市监测、灾后损害评估、GIS地图更新等工作。本文的研究工作对提高高分辨率遥感影像建筑物变化检测的精度具有一定的参考价值。