随着合成孔径雷达(Synthetic Aperture Radar,SAR)遥感图像获取技术的蓬勃发展以及SAR遥感图像数据的海量积累,多时相SAR图像变化检测技术的应用越来越广泛,在各相关领域扮演着愈发重要的角色。因此本文深入研究多时相SAR图像变化检测算法,选题具有十分重要的理论和现实意义。本文的研究内容及成果主要包括以下3个方面:(1)针对面向对象的SAR图像变化检测中存在的多时相图像边界和空间对应关系不一致的问题,提出了一种面向变化检测的SAR图像超像素协同分割算法。首先,分别计算两幅不同时相SAR图像中两个像素点之间的强度相似度,并进行加权组合得到新的像素强度相似度;其次,对两幅不同时相的SAR图像及其对数比值图分别进行边缘提取,以同一像素位置的最大边缘值构造边缘图;最后,以融合了像素强度、空间距离和边缘信息的相似度代替CIELAB彩色空间相似度,利用改进简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法对多时相SAR图像进行超像素分割,得到边界准确、空间对应的协同分割结果。通过仿真和实测SAR图像的实验分析表明,本文算法可以提高超像素分割的边缘贴合率和欠分割误差。(2)针对像素级的变化检测易受到相干斑噪声影响、稳健性不强且计算效率低的问题,提出了一种面向超像素基于广义Gamma分布和KL(Kullback–Leibler,KL)距离的SAR图像变化检测算法。首先,将两幅不同时相的SAR图像进行超像素协同分割;其次,利用广义Gamma分布分别对获得的超像素块进行统计建模,并通过求解尺度独立的形状估计(Scale Independent Shape Estimation,SISE)方程对分割得到的每个超像素单元进行参数估计;最后,使用KL距离将对应的超像素进行相似度测量,通过阈值分割将超像素分为变化和未变两类,并利用形态学滤波的方法剔除掉部分孤立点,进而获得最终的变化检测结果图。最后,通过仿真和实测SAR图像的结果验证了本文所提出的方法可以提高SAR图像变化检测精度以及抗噪性能。(3)针对传统变化检测方法在实际应用中存在泛化能力不强、区分性弱等局限性,研究实现了一种基于PCANet的多时相SAR图像变化检测算法。首先,在预分类步骤中筛选出一部分以极高概率成为变化或者未变化类别的像素,并以每个筛选出的像素为中心提取一定尺寸的且大小相同的切片作为训练样本,对PCANet模型进行训练;其次,将其余不确定状态的每个像素对的切片堆叠作为PCANet的输入,并得到其响应特征(即该像素对的特征描述向量);然后,利用SVM分类器将其分为变化和未变两类;最后,融合预分类和PCANet分类的处理结果,进而得到最终的变化检测结果图。利用仿真和实测多时相SAR图像数据的实验结果,验证了该算法的有效性和可靠性。