由于人口的增长,地球表面正经历持续的变化,采用遥感图像变化检测来分析与检测地表变化是当今研究领域的一大热点。在过去的十年里,该技术引起越来越多的研究人员的广泛关注,多种利用遥感图像数据进行变化检测的方法如雨后春笋般出现,并且这些方法也被应用到许多领域中,如灾难评估、土地规划、视频监控以及森林预警等。但是由于遥感图像的获取容易受到各种杂波的干扰,导致图像轮廓模糊,同时伴随遥感技术的不断成熟发展,所获取的数据量也呈指数级增长,传统的图像变化检测方法在检测性能和效率上面临巨大的考验。最近几年,深度学习以其优秀的特征表征能力被应用于计算机视觉与自然语言处理等领域,它突破了传统图像处理算法的约束,为遥感图像处理注入了新鲜的血液。本文主要针对遥感图像的变化检测问题展开研究,通过设计不同的深度神经网络模型,灵活实现问题驱动的变化检测任务。本文重点包含以下工作:1.提出一种基于深度可分离卷积的遥感图像变化检测方法。该方法考虑图像的联合分布,将两时刻图像堆叠为一幅两通道的图像,每一通道为不同时刻的图像块,经过这样的处理,图像变化检测可以看作图像分割问题,进而以图像语义分割中常见的全卷积网络的变体U-Net结构为基础框架,用深度可分离卷积替换传统的卷积操作,提高卷积效率,大大减少模型可训练参数,降低训练时对数据量的要求以及模型过拟合的风险,然后以端对端的方式训练整个网络,优化模型参数。预测时,将归一化后的两时刻的图像堆叠为一幅两通道的图像,将其输入到训练好的分割网络中直接输出变化检测结果。同时为了满足不同任务对精度和召回率的不同偏好,本文还设计了偏好可控的损失函数。将本方法在不同的数据集上进行验证,均得到了理想的实验结果。2.提出一种基于信息传递和注意力机制的图像变化检测方法。卷积神经网络能够提取遥感图像丰富的光谱-空间特征,而递归神经网络能够有效分析两时相图像的时间依赖性,因此,将两者相结合,前者用于提取原始图像的光谱-空间特征,后者用于分析时序性,这样可以很好地处理变化检测任务。在此基础上构建深度神经网络模型,通过利用两时相图像丰富的语义信息以及注意力机制改善分类向量的辨识度,有效地增强图像的变化信息。通过将本方法与其他现有方法进行对比实验,实验结果证明了该方法的有效性。3.提出一种面向遥感图像变化检测的深度进化网络结构寻优方法。该方法通过进化算法实现深度神经网络结构寻优,以此替代耗时且费力的手工调参。具体地,首先对深度神经网络结构进行编码,构成初始种群,然后选择合适的进化策略以迭代的方式对种群中的网络个体进行更新,最优的网络个体从最后一代种群中得到。该方法可以根据具体的数据集或者检测任务,自适应的设计深度神经网络结构进行图像变化检测,使图像变化检测变得更加灵活。