遥感图像的变化检测指的是通过卫星、无人机等一系列高低空遥感平台对地表拍摄,获取到图像从而进行检测来定位发生变化的区域以及识别不同的变化类型。利用遥感图像的变化检测对指导地质勘探、资源管理、环境监测等方面都有着重要意义。与传统的变化检测方法相比,深度学习的检测方法准确率更高,鲁棒性更强。因此本文从二类别变化检测和多类别变化检测的角度出发,对遥感图像进行研究。主要研究工作如下:（1）针对UNet++网络将提取到的特征直接上采样而没有充分提取图像的语义信息和利用层级间信息共享的问题,提出了基于ZUNet++的遥感图像二分类变化检测方法。ZUNet++网络通过调整UNet++节点之间的密集跳跃连接方式,可以提取更加精细的遥感图像语义特征,再次减少编码器和解码器的特征图之间的语义差距。其次通过引入模糊C均值聚类得到遥感图像变化检测图。此外,针对多光谱数据集缺乏的问题,提出将单幅多光谱图像转换为多个伪RGB图像的重组策略来增强数据集。实验表明,通过与FCN、UNet、UNet++进行对比,提出的方法可以检测出更加完整的变化区域,且模型受到噪声点的影响更小。（2）针对STANet对小型建筑物检测结果存在边缘轮廓线模糊且训练时间长的问题,提出了基于多尺度嵌套Siamese网络的遥感图像二分类变化检测方法MSNest Net。首先利用引入高效通道注意力的残差网络提取单时相图像的特征。其次,将提取到的两组不同特征映射到同一特征空间,利用多尺度嵌套模型提取融合的深层语义特征信息进行相似度判断,使得未变化像素的相关性增大,变化像素的相关性减小。最后,通过Focalloss损失函数解决类别不均衡的问题。实验结果表明,与STANet、Siam-Nested UNet、DSMSCNNet进行对比,提出的方法对小型建筑物的边缘细节检测更加完整。（3）目前,相比二类别变化检测,人们对多类别变化检测的研究较少。我们提出了一种分阶段多类别变化检测的方法。第一阶段通过交叉融合的高分辨率网络HRNet充分提取遥感图像的全局信息;第二阶段利用主成分分析均值聚类（PCA＿Kmeans）得到多类别变化检测的结果图。实验结果表明提出的方法对多种类别变化建筑物的轮廓线检测比较完整,具有较低的错误率。