图像变化检测是检测同一地点不同时间的两幅图像变化情况的一个过程。在上个世纪末,随着遥感技术的发展,遥感图像的变化检测已经变成卫星图像处理中一个日渐热门且越发重要的研究领域。现在,这项技术在民用和军事领域均有广泛的应用,例如疾病检测、医疗诊断和视频监控。深度神经网络源于上个世纪流行的人工神经网络。随着时间的推移人工神经网络由于运算复杂度高,训练难度大等问题,逐渐被SVM、Boosting和最大熵方法等浅层学习方法所替代。本世纪出,随着Hinton等人提出:具有多个隐含层的人工神经网络具十分优秀的特征学习能力,其可以学习到能够描述数据本质的特征,更利于数据的分类和可视化。而且传统的多层人工神经网络在训练上的难度,可以通过“逐层初始化”来有效克服。使得深度神经网络成为机器学习的一个新领域,而且在学术界和工业界都有着广泛的应用。在这篇论文中,我们将深度神经网络引入传统的变化检测技术中。首先将深度神经网络应用到了合成孔径雷达(SAR)图像变化检测中。接着提出了正负变化检测问题,并且应用深度神经网络模型将处理问题,并获得了良好的效果。本文的主要贡献体现在以下两个部分:(1)应用深度神经网络对合成孔径雷达(SAR)图像的变化检测进行了研究。基于无监督学习方法和深度神经网络,提出了基于稀疏自动编码器的SAR图像变化检测。该方法主要包含无监督学习的特征提取和有监督学习的精密微调。通过引入预分类和样本选择技巧,使得深度神经网络技术在无标签数据的情况下也可以在变化检测中应用。实验中从多种不同的数据集中进行了验证,均得到了较为满意的结果。(2)针对合成孔径雷达(SAR)图像的正负变化检测进行了研究,并结合深度神经网络技术,提出了基于深度置信网络的SAR图像正负变化检测。在大多数论文中,图像变化检测是把差异图分成两部分:变化部分和未变化部分。但是,多时相的SAR图像的差异图既有像素增加的地方也有像素降低的地方,所以进一步把变化部分分成正变化部分和负变化部分是很有意义的。针对这一新颖的变化检测,本文利用深度置信网络的技术对其进行实现。通过建立深度置信网络对差异图进行细致的处理,降低了噪声对于SAR图像变化检测的影响,使变化检测结果更加精确,对噪声更加鲁棒。