随着航空航天技术和高精度航空摄影技术的深入发展,地球观测技术突破了数据采集的局限性,进入了全面深入应用的新阶段。基于深度学习的遥感图像变化检测是研究地球表面变化的主要方法。变化检测在灾害监测、环境保护、人类住区监测等方面有着非常重要的应用。目前,地球观测卫星不断地从空间向地面传输数据。面对海量数据,研究者希望通过探索两个不同时间点之间区域的表面变化,找到感兴趣对象的变化,得到感兴趣对象类型的变化或变化趋势。然而,遥感图像变化检测并不仅仅是一项简单的技术。卫星传感器、太阳高度和大气条件的影响将在遥感图像变化检测中发挥重要作用。地面经济价值低的地区,如贵州省喀斯特地貌区,由于这类地区地面情况复杂、数据较少,研究这类地区并不会产生较多经济收益,且环境恢复周期长,导致这类地区的检测难点鲜有研究解决。近年来,深度学习算法逐渐在人工智能领域占据重要地位。遥感图像具有高维、海量和多样性的特点。深度学习算法在处理具有这些特征的数据方面有很大的优势,能够准确地提取复杂对象的抽象特征,从而大幅提升遥感影像解译的精度。各种深度学习方法已经在计算机视觉任务方面得到了广泛的应用,同样地,深度学习理论同样能够应用于遥感影像变化检测任务中,因此,工程应用中迫切需要开展基于深度学习的遥感图像变化检测研究,开辟一种更加智能化的应用方法,以满足当前更准确的遥感图像变化检测的需求。本文针对同一地区不同时相两幅遥感影像的变化检测问题,按照关键问题和变化检测的难点,把基于深度学习的遥感影像变化检测方法分为少样本变化检测、多类别变化检测方法开展研究。研究工作主要包括以下几个方面:（1）提出了一个基于语义图差异的少样本遥感影像变化检测方法。虽然当前对地观测卫星很多,但是由于运行轨道和地面面积太大的限制,很少能够及时的获得感兴趣区域的数据。基于语义图差异的方法源自常规变化检测方法中的差异图方法,本文结合差异图方法和深度迁移学习算法的特点,提出了一个语义图和差异图融合的高维特征图处理方法,并且为了降低数据域之间的特征分布差异,本文加入了自适应批标准化操作以降低域特征分布差异的影响。通过实验对比并分析模型融合的效果发现,本文所提出的方法具有很强的数据域自适应能力,并且能够精确的识别出地面的变化。（2）提出了一个基于类别再平衡的多类别变化检测方法。单类别变化检测能够表达地面很多变化情况,对于短期的灾害监测适用性较好,但是对于长期的地面监测适用性有限。多类别变化检测能够表达更多的地面变化情况,但是由于常规数据集类别通常存在较为不平衡的现象,导致多类别变化较难检测。本文利用类别再平衡算法训练模型,同时填充数据集,提高数据类别均衡性,降低模型敏感性。通过具体的实验分析和模型精度对比验证,本文的方法能够有效的降低模型对数据类别不均衡的敏感程度,该方法能够有效的提高多分类精度。（3）针对以上提出的两种方法,本文在贵州省典型喀斯特地貌区望谟县的遥感影像上进行了实证分析,实验结果表明,本文所提出的方法不但能够准确的识别地面单类别变化,还可以准确识别地面的多类别变化,从而利用地面变化方向对生态环境进行监测,能够应对地面环境错综复杂的喀斯特地貌区的生态环境监测任务。