城市化显著地改变了土地利用及覆盖特征,是全球变化中的重要组分之一。陆地卫星(Landsat)提供长时间序列、优质空间分辨率的遥感影像,可用于监测城市化进程,然而多时相遥感影像间的光谱差异及训练样本的稀缺,限制了对长时间序列、大尺度城市化的监测。论文开发了基于深度学习理论的变化检测算法,构建了具有迁移性能的长时间序列的城市制图模型,实现了有限训练样本条件下多时相影像的变化检测与城市制图,制作了我国34个省会(自治区、直辖市及港澳台)城市1984-2017的年尺度城市制图与扩张产品,主要成果如下:论文基于循环神经网络模型构建了具有迁移能力的变化检测算法,首次将深度学习应用到了遥感变化检测领域。论文通过泰州、昆山的Landsat影像及盐城EO-1影像数据间的相互迁移实验,论证了变化检测算法的可靠性与鲁棒性。论文同时探索了不同大小、不同复杂度的训练样本对算法稳定性的影响。实验结果表明,对于相邻城市的二类变化检测,数量越多、复杂度越高的训练样本越有助于提升本算法样本的迁移能力及变化检测的准确率。论文通过融合深度学习与迁移学习策略构建了长时间序列的城市制图模型,模型以北京1999年标注的样本为训练集,完成了北京、纽约、墨尔本和慕尼黑1984-2016的城市迁移制图。实验结果表明,四个城市的平均制图精度为95±3%,超越了目前主流算法。论文模型可基于单一年份城市的训练样本,实现位于相近纬度、相同气候带环境跨洲城市的长时间序列制图,结果稳定可靠。论文通过分析不同城市、不同时间、不同Landsat传感器获取的城市样本光谱差异性,标注了适用于全国省会城市制图的训练样本。结合开发的长时间序列城市制图模型,应用于我国34个省会城市1984-2017年间云量少于10%的Landsat影像,制作了全国省会城市30米分辨率的长时间序列制图产品,且年均制图精度为92±3.5%。论文在有限训练样本条件下,可实现跨气候带、跨生态区及复杂环境的长时间序列城市制图。论文研究表明,基于深度学习的城市制图与变化检测算法可以深度挖掘遥感大数据的潜在信息,克服光谱误差干扰及训练样本稀缺等问题,实现复杂地形、气候带及环境的城市长时间序列制图与变化检测。论文研究成果可为其它相关研究提供支撑,同时也可为国家规划部门提供决策支持。