随着航空航天技术、计算机技术的发展,遥感对地观测突破了数据获取、传输和存储的瓶颈,逐步走向自动化和智能化的新阶段。遥感数据的空间分辨率不断提高、数据类型不断丰富,给遥感变化检测研究提供了优质、多样化的数据源。建筑物变化检测是变化检测领域的研究热点,也是对地观测中的核心问题之一,近些年来受到了广泛关注。建筑的变化能够很大程度上体现城市化的进程,对建筑变化的准确、有效评价是获取可靠城市变化信息的有力手段,也是政府管理、经济建设、社会学研究等领域的迫切须要。高分辨率遥感影像包含地物更加丰富、细致的特征信息,为建筑物的变化检测研究带来了新的科学视野。但出现了影像光谱特征混淆、光谱域统计可分性低、信息提取难度大的难题。由于影像光谱复杂性以及建筑物本身差异性的双重影响,基于高分辨率遥感影像和多源数据综合的建筑物变化检测亟待高效、精确、智能的理论研究与方法创新。另外,城市化进程的加快对建筑物变化检测提出了新的要求,能够同时满足2D和3D变化检测的理论方法,具有很高的研究价值。本文基于深度学习的理论手段,通过构造新型网络模型,设计了一套考虑多源遥感数据及数据特征的新型建筑物2D和3D变化检测方法。以U-Net为基础设计了一种新型的、可同时输入多源/多特征同质和异质数据的、通过压缩-激励策略考虑输入数据内部关系的双侧端到端W形网络,并将其命名为压缩-激励WNet。该网络是将U-Net改造为双侧输入单路输出、双侧权值独立、可兼顾两侧数据（同质、异质数据）影响的,用于遥感领域变化检测任务的网络结构。基于2D和3D各两组实验数据进行了模型和方法验证,本文提出的基于压缩-激励W-Net的建筑物变化检测方法,主要包括以下三个方面的研究及成果:（1）所提出的压缩-激励W-Net是一款功能较强且通用的网络结构,它能够通过结构化的对称体系结构学习同质和异质数据中蕴含的抽象特征,且其双向对称、结构合理。（2）双侧输入端不仅满足多源数据的输入,而且考虑了由多源数据衍生出的多种特征。创新性地引入压缩-激励模块,作为显性建模通道间相互依赖关系的策略。使得网络的指向性更强,能够对特征通道重新校准,强调重要特征、抑制次要特征。而且,压缩-激励模块嵌于各卷积运算之间,可以改善卷积操作只能顾及局部感受域内信息特征的不足,提高网络的全局感受能力。（3）多源多特征组合作为模型输入的思想,集成了光谱、纹理和结构等信息优势,能够显著提高模型的鲁棒性。对建筑物这种呈现复杂空间格局、具有多尺度特征、个体之间差异较大的特定地物的针对性更强,检测精度更高。