变化检测的任务是通过分析和比较不同时间获取的同一地区的多幅图像，确定地物的变化情况，并对变化情况进行定量描述。它的应用范围非常广泛，包括土地监测、农业调查、城镇规划、灾害检测、地图更新等。由于合成孔径雷达（Synthetic Aperture Radar, SAR）不受云层和日照的影响，具有全天时、全天候的探测能力，因此SAR图像成为变化检测的重要数据来源。　　尽管空间技术的发展使得获取海量SAR图像成为可能，但是SAR的成像机理不仅会导致图像的几何与辐射失真，更严重的是成像界面上大量散射体的后向散射波相互干扰而产生的相干斑大大增加了图像处理的复杂性。相干斑会混杂在弱变化中，削弱真实的变化特征，直接影响图像分析算法的性能，造成结果图中严重的虚警和漏检。因此，如何结合变化检测的具体问题，利用遥感图像丰富的地物特征，探索鲁棒的、自动的、准确的、高效的变化检测方法，是当前变化检测的重要研究方向。　　本论文在对变化检测中的关键问题进行深入分析的基础上，较为系统地研究了SAR图像的差异图构造和分析算法，主要成果如下：　　1.针对传统的灰度差异图对噪音敏感的特点，提出了一种利用灰度差异和纹理差异构建二元差异图的方法。由于当土地覆盖从一种类型变化到另一种类型，纹理特征会随之改变，而纹理差异图恰恰反映了这种图像内在的空间变化，是灰度差异图的有效补充。在构造纹理差异图的过程中，利用Gabor滤波器提取图像的纹理特征，并使用鲁棒式主成分分析技术对Gabor响应进行分解，保留了响应中的主要成分，实现了对噪音的有效抑制。实验结果表明，二元差异图主要适用于传统的基于像素的变化检测分析方法，在细节保持和噪音抑制两方面做到了折中，展现出更好的检测效果。　　2.针对本论文提出的灰度纹理差异图，提出了一种基于二元广义高斯的图切算法。高斯模型是一种比较简单、常用的模型，但在处理SAR这样复杂的图像时不能准确地拟合实际的数据分布，因此在构建图切能量函数中的数据约束项时提出使用广义高斯模型；并针对二元的灰度纹理差异图，将一元模型扩展为二元，使算法具有逼近不同统计分布的能力。变化检测的实验结果表明，该方法在保证边界平滑性的同时，具有较强的抗噪能力。　　3.基于流形学习中的局部线性嵌入理论，提出了一种基于字典学习的SAR图像变化检测方法。该方法需要建立两个一一对应的过完备字典实现从差异图空间到变化检测图空间的映射。实现变化检测的过程需要分为两步：第一步对于任意输入的差异图，使用匹配追踪算法获得其关于差异图字典的近似表示，第二步利用相同的表示系数与变化检测图字典得到其对应的检测结果。该方法的学习过程是离线的、自动的，不需要对测试样本进行人工标记。因此，适用于参考图少、标记难度大的变化检测问题。实验结果表明，与传统方法相比，该方法快速、有效、准确率高，在区域的连贯性、细节保持、抵抗噪音等方面都具有优异的表现。　　4.针对普通的深层网络不能有效地利用差异图和变化检测图之间结构相似性的缺点，提出了一种使用栈式受限波兹曼机实现从差异图输入到二值图输出的SAR图像变化检测方法。由于神经网络使得特征分享和迁移学习成为可能，网络的训练样本来自于以前工作中被标记的图像。此外网络的学习使用非监督学习和监督学习相结合的方式，建立了图像到图像之间的映射关系。实验结果表明，尽管训练样本集是固定的并且与测试数据无关，但与经典的方法相比，该方法仍然显示出较好的性能，主要体现在对噪音的鲁棒性方面。　　5.在深度网络构架下，提出了一种基于块相似性测度的SAR图像变化检测方法。由于SAR图像中相干斑的随机性分布，基于像素直接对比的方法无法完成对像素变化类别的正确判断。因此可以通过卷积自编码神经网络对多时相图块进行分别描述，然后将学习到的图块特征输入到决策网络中进行学习，实现对变化类标的判定。该方法的创新处在于网络的输入不是传统方法产生的差异图，而是一一对应的多时相图块；网络的输出为对图块之间变化情况的判定。最后在对图块进行比较的基础上完成整幅图像的变化检测工作。实验结果表明，该方法在变化检测的正确率上具有优异的表现。