随着社会发展与技术进步,人们开发和改造自然的需求和行为也日益增进。人类活动和自然变化不断改变着地表信息以及资源的覆盖情况。利用具有实时性强、覆盖广和多光谱特点的遥感技术的变化检测也成为目前遥感应用方法研究的热点之一。当前变化检测方法基本上可以分为分类后比较和比较后分析两个类别。由于分类后比较法严重依赖分类效果,检测结果不确定性大,现阶段比较后分析的方式被主流的算法所采用。比较后分析的方法需要从多时相图中提取出变化的信息生成差异图像,并针对差异图像进行分析得到检测结果。遥感图像由于自身成像机制会产生相斑噪声,噪声会干扰变化信息,影响差异图像质量,降低变化检测的准确率。如何抑制噪声对结果的干扰,是本文所要解决的重点问题。本文设计实现了两种方法,将多层神经网络引入变化检测,基于多层网络实现自编码器。利用自编码器特征学习的效果,抑制噪声干扰,提高检测准确率。1.针对多时相图受噪声因素干扰,检测结果中出现较高错检现象这一问题,本文基于多层神经网络设计实现了栈式稀疏自编码器网络。利用自编码器非线性映射的能力,对原始的图像数据进行逐层的特征提取,获取高阶的特征表达。并通过对网络增加稀疏性约束以便对特征进行压缩,然后基于高阶特征完成图像的降维重构。重构后的时相图,还原了原始图像的地貌信息,同时也有效的缓解了噪声的影响。利用降噪处理后的图像,通过对数比值法生成差异图像,最后采用聚类或自适应阈值的方法对差异图像进行二分类操作得到检测结果。通过实验验证,该方法比起传统的变化检测及降噪处理的方法在性能上有了显著的提升,结果符合预期。2.针对差异图像质量不佳,差异分析结果不确定性较大的问题,本文基于有监督训练的方法,实现了多层分类神经网络,充分利用了神经网络作为非线性分类器的良好表现。为了得到训练所需的样本标记,首先计算了多尺度下差异信息,结合模糊c聚类算法筛选出了可信度较高的区域进行标记,并从多时相图中生成邻域特征样本构成训练网络所需数据集。为了获得更好的训练效果,提高分类网络的准确度,文中使用栈式收缩自编码器完成网络的预训练,利用收缩自编码器具有较强的抗扰动的能力来拟合训练数据完成网络隐层权重的初始化。然后在预训练后网络中增加softMax层,输入训练集完成网络的二分类训练。最后使用训练好的网络对多时相图中所有的邻域样本进行分类判断得到最终的检测结果。同样,经过对比实验证实,该方法在差异图像质量不佳的情况下效果显著,取得了预期结果,验证了方法的有效性。