变化检测作为遥感影像处理领域的基础性任务,旨在分析、比较同一地区不同时间的遥感影像,并检测出其中所发生的的变化。随着近年来一大批类型多样的高分辨率遥感影像的不断涌现,变化检测任务的挑战显著增加。首先,随着影像分辨率的提升,影像所包含的场景更加复杂,干扰信息也更多,这对于变化检测任务的特征提取环节提出了极高的要求;其次,对于高分辨率遥感影像,像素级的类别标注费时费力,如何减少网络训练过程中对于标记样本的依赖是变化检测方法亟待解决的重要问题;最后,由于异源影像对由不同的传感器生成,如何建立异源影像间的数据联系从而完成异源影像的变化检测是当前变化检测任务的研究热点。为解决以上难题,本论文基于多尺度深度表征学习的方法对变化检测任务进行了深入研究,主要研究内容如下:（1）提出了一种基于孪生全局组合全卷积网络的变化检测算法。该方法首先利用孪生全卷积网络建立双时相输入图像间的数据关系,提取多尺度图像特征并生成差异特征图;该方法还设计了全局组合解码器网络,通过中级特征图生成的组合系数来指导高级特征图生成的全局信息码字进行组合,以完成上采样过程并生成最终差异特征图。最后,差异特征图经过分类器得到二值变化图,完成变化检测任务。（2）提出了一种基于多尺度图卷积网络和度量学习的无监督变化检测算法。该方法首先利用孪生全卷积编码器和金字塔形解码器,提取多尺度特征并将它们组合以生成可靠的差异特征图。接下来该方法设计了多尺度动态图卷积网络,通过捕捉特征图中的短距离-长距离特征表征,得到信息更丰富的差异特征图,从而完整提取的变化和未变化图像区域。最后,该方法提出了基于度量学习的动态伪标签生成机制,通过生成可靠的伪标签,利用联合变化检测损失函数进行距离度量和结果比较,从而帮助网络以无监督的方式完成模型训练,得到可靠的变化检测结果。（3）提出了一种基于生成对抗网络与分组卷积的无监督异源变化检测算法。首先该方法设计了基于生成对抗网络的特征一致化算法,通过在编码器网络内逐层对抗学习,从而将异源图像映射到同一特征空间中,还能为深度网络提供必要的预训练参数。接下来提出了基于分组卷积的多尺度差异特征融合模块,通过不同卷积核大小的分组卷积生成具有空间-谱间信息的多尺度差异特征图。最后,该方法采用了基于深度变化矢量分析的变化检测算法,利用多尺度融合差异特征图,分析各像素点的变化数值,从而快速准确地生成二值变化图,完成异源变化检测任务。