随着遥感科学技术和计算机技术的迅速发展,合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测研究成为二者学科交叉后的新方向。SAR图像变化检测是指通过对同一区域、不同时期获取的两时相或多时相SAR图像进行比较分析,从而根据图像间的差异信息获取所感兴趣的地物、场景或者目标的变化信息。SAR图像中固有的相干斑噪声和像素间的强相关性对目前变化检测算法提出了挑战,因此,如何快速、准确实现SAR图像变化检测是目前面临的首要问题。为此,本文借助空间约束半非负矩阵分解和深度学习领域的最新研究进展,充分考虑SAR图像自身特点,开展了基于空间约束半非负矩阵分解的SAR图像变化检测方法的研究工作,主要包括以下两个方面:1.在基于半非负矩阵分解的SAR图像变化检测研究基础上,充分考虑空间信息的同时降低SAR图像中斑点噪声和离群点数据对检测性能的影响,引入总变分约束和互熵准则到模型中,开展了基于鲁棒性半非负矩阵分解和总变分约束的变化检测研究。首先,通过对不同时间、同一区域的两时相或多时相SAR图像获得差异图像;其次,利用主成分分析得到差异图像的特征矩阵;随后,通过已构造的总变分约束半非负矩阵分解模型进行迭代求解,得到基矩阵和系数矩阵;最后,通过最大化准则对系数矩阵进行分类,得到变化检测结果。本论文通过三组实验数据进行仿真实验,验证了算法的可行性和有效性。2.为挖掘SAR图像包含的潜在层次特征,结合深度学习的思想,提取图像的深层特征,同时考虑到图像中的空间信息,论文开展了基于卷积自编码器和总变分约束半非负矩阵分解的变化检测算法研究。在得到差值图像的基础上,利用卷积自编码器构建差值图像的深层特征矩阵,并通过总变分约束半非负矩阵分解对深层特征矩阵进行分解,得到系数矩阵,最后采用最大化准则对系数矩阵进行分类,得到变化检测结果。本论文通过相同的三组实验数据对模型进行仿真,并通过与第一部分模型相比较,说明基于卷积自编码器的深层次特征可以有效提高变化检测准确性,并验证了算法的可行性和有效性。