人类活动和频繁的自然灾害加速了地球表面的变化,而遥感影像变化检测成为有效检测大面积地表变化情况的主要解决方案。变化检测是通过对不同时段得到的同一地区的遥感图像进行分析,以确定地表发生的人为或自然造成的改变。变化检测已被应用于很多重要领域当中,比如环境保护,灾害评估和军事侦察等等。随着地球观测技术的不断进步,如今可以更加容易的获得不同分辨率、不同类别的卫星遥感影像,但由于成像时伴随的斑点噪声的存在,对变化检测结果的准确性会产生一定的影响。因此,如何有效的去除噪声并正确识别变化区域是需要关注并解决的目标。随着计算机技术的发展,计算智能方法在图像变化检测中发挥了越来越大的作用。本文基于现有的变化检测技术手段和计算智能相关理论方法,针对SAR图像变化检测中存在的问题进行了研究。在本文中包含以下几个具体的创新研究工作:1、提出了一种基于分解的两目标模糊局部信息变化检测模型。从保持细节和去除噪声的角度出发,将SAR图像变化检测任务描述为一个两目标模糊聚类问题。首先,使用log-mean算子生成第一幅差分图像,以提高对原始细节信息的提取能力。通过同态滤波和显著性检测结合的方法得到第二幅差分图像,以有效的对噪声进行去除。然后,对两幅不同的图像构造模糊聚类目标函数,在不同要求下对图像中的像素进行分类。最后,提出了新的隶属度更新公式,对不同目标下的变化检测结果进行综合分析,以平衡两个目标对最终检测结果的影响。所提出的方法对现有方法中对差分图像的分析不够充分的问题进行了改进,提高了算法对噪声的鲁棒性。通过在真实SAR数据集上的实验结果表明,本文所提出的方法具有更好的检测性能。2、提出了一种基于模糊聚类的自监督神经网络变化检测方法。首先,利用模糊局部信息聚类算法作为辅助任务获取每个像素点的伪标签,通过隶属度阈值将像素点划分为变化、不变和不确定三类。然后,对两张SAR图像中同一位置相同窗口大小的像素块进行拼接,选取其中伪标签为变化和不变类的拼接像素块作为初始训练样本,通过数据增广对训练数据集进行扩展并增强其泛化能力。最后,利用卷积神经网络构建训练模型,通过提取到的变化类和不变类的特征,对不确定的类别进行进一步的分类,通过对神经网络分类结果进行细化,得到最终的变化检测结果。本方法有效的提升了对图像特征的提取能力并降低了对先验信息的依赖,具有较强的自适应性。