从高分辨率遥感影像中精准、快速的获取建筑物的变化信息在城市规划管理、灾害预警、土地利用情况调查等方面具有重要的意义。然而由于建筑物具有尺度不一、样式多样等特点,现有方法很难实现自动化识别和变化检测,且传统的解译方法智能化程度低,越来越无法满足不断增长的应用需求。近年来,随着新一轮产业革命的到来,以深度学习为代表的人工智能技术推动了遥感产业智能化的变革浪潮。在此背景下,本文围绕深度学习在高分辨率遥感影像建筑物变化检测中的应用进行了深入研究,具体内容如下:1、研究对比了三种基于深度学习的高分辨率遥感影像建筑物变化检测模型。本文基于WHU building dataset数据集,分别构建了基于U-Net网络、Change Net网络以及CSCDNet网络的建筑物变化检测模型,通过对模型进行训练、验证以及测试,得到不同网络的变化检测结果。2、针对传统语义分割网络存在检测精度低,对中、小尺度目标存在误检漏检,及边界分割粗糙等现象,提出了一种基于深度学习的高分辨率遥感影像建筑物变化检测方法。该方法采用编码-解码结构,在编码阶段采用残差网络提取图像特征,并为编码器最深层特征引入空洞卷积以及金字塔池化模块增大感受野来提取多尺度图像特征,在解码阶段引入注意力模块来突出重要特征,接着聚合不同尺度不同分辨率的特征,并在大型遥感建筑物变化检测数据集上进行实验。首先通过消融实验验证了所提网络各个模块的可行性及有效性,接着同常用的变化检测网络进行对比实验。实验结果表明,本文方法在获取深层语义信息的同时可以较好的关注到细节信息,在精确率,召回率以及F1分数上均有明显提升,在多尺度目标检测,建筑物边界提取等方面优于其他常用的语义分割网络。