随着我国城镇化的发展,城市土地利用与土地覆盖状况瞬息万变,城市建筑物的新建、拆除、改建、违建等现象变化频繁,实时动态掌握城市的建设和发展现状是城市科学规划和管理的重要基础,利用遥感变化检测技术则是实现这一任务的关键技术手段。然而,当前基于深度学习的遥感智能变化检测方法研究大多只考虑使用单模态高分辨率光学遥感影像,遥感场景的垂直向特征未被充分挖掘。同时,基于单模态数据的深度学习遥感变化检测存在特征表达不全面、信息挖掘能力不足、泛化能力弱与错判漏判等问题。基于此,本文以中国第一颗亚米级高分光学立体测绘卫星高分七号为数据源,开展基于多模态深度学习的城市建筑物三维变化检测研究,以期为动态掌握城市的建设和发展现状提供技术支撑。本文主要研究内容与成果如下:（1）制作了一套包含高分遥感影像与DSM的建筑物三维变化检测数据集。由于当前遥感三维智能化变化检测研究匮乏,没有公开的集成高分遥感影像与DSM的三维变化检测数据集。因此,根据所收集的高分七号遥感影像数据,本文制作了一套面向复杂城市场景同时包含高分遥感影像与DSM的建筑物三维变化检测数据集。数据集制作流程主要包括:数据预处理、DSM数据生成、数据模拟、数据后处理、人工目视解译、制作真实标签图、数据裁剪与数据集划分等。（2）设计一种基于高分遥感影像的像元级2D变化检测算法HRNet（High resolution network）。为了改善普通卷积神经网络高分辨率空间细节信息表征能力不足、多尺度特征融合效果差的问题,设计了一种基于并行卷积结构的高分辨率变化检测网络HRNet。该方法通过将不同尺度的子卷积网络并行连接,并进行反复的多尺度特征融合,以丰富高空间分辨率特征的表达能力,使得预测的变化像元空间定位更加精准。实验结果表明,HRNet有效地加强了高分辨率遥感影像的高空间分辨率细节特征表达能力,相对于传统经典的编码解码结构的顺序型卷积神经网络,HRNet显著性提升了高分辨率遥感信息的感知与挖掘能力,变化检测效果提升明显。（3）提出了一种融合高分辨率遥感影像与DSM的3D变化检测算法MAHNet。首先,提出了一种多路径混合编码器结构（Multi-Path Hybrid Encoder,MPHE）,它可以有效的完成多源异构遥感数据的多维度特征挖掘的任务;其次,设计一种自注意力特征融合方法（Dual Self-Attention Fusion Module,DAFM）,它可以获取更加丰富的全局上下文特征及高层语义信息,提高局部特征在全局的判别能力;为了鼓励特征重用,在解码阶段引入了一种密集跳跃连接解码器（Dense Skip-Connection Decoder,DSCD）,它可以更加灵活的实现多尺度特征的融合任务,改善特征的利用率与传播效率。在GF-7建筑物3D变化检测数据集的定性与定量实验结果表明,MAHNet在复杂的城市遥感场景中实现了精准化与高精度的像素级变化检测,其总体准确度达到97.44%,综合评估指标F1-Score达92.59%,较其他方法表现出了更加显著与优异的变化检测性能。综上所述,文章聚焦于研究基于多模态深度学习的遥感智能化变化检测方法。从多维度、多模态数据融合角度出发,开展基于智能感知的深度神经网络遥感变化检测算法研究,实现了面向复杂场景的国土空间要素城市建筑物的三维立体化变化检测,一定程度上提升了遥感变化检测的精准化与智能化水平,以便更好的服务于土地利用与土地覆盖的大范围、长时序、周期性、多维度的动态监测,为自然资源监测任务提供基础技术支撑与保障。