遥感图像变化检测是对地观测的一种重要手段,其目标是通过对同一地理区域在不同时间获取的两幅遥感图像进行观测和分析,来确定该时间段内发生变化的区域,在环境气候监测、城市规划研究和自然灾害评估等多个对地观测场景得到了广泛应用。根据图像来源是否相同,可以将变化检测技术分为同源图像变化检测和异源图像变化检测两类。由于同源图像变化检测技术只是针对特定单一类型的遥感图像进行研究,对其他类型的遥感图像并不适用。不仅如此,在实际发生的一些突发事件中（如台风,地震等）,由于天气环境等条件的限制,人们难以及时地获取事件发生前后的同源图像,在实际应用上存在较大的局限性。因此,如何利用不同来源的图像信息进行变化检测具有十分重要的实际意义。不同的获取来源意味着异源图像具有不同的数据域,不同的统计特性,以及不一样的图像表征。结合异源图像信息一方面能充分利用不同传感器的功能特性,但另一方面也提出了额外的技术挑战。因此,本文以风格迁移作为核心思想,开展面向异源遥感图像变化检测方法的研究,为遥感对地观测应用提供有效方案。本文的主要研究内容如下:（1）为了解决异源图像变化检测中的数据差异性问题,本文通过引入图像风格迁移对异源图像进行同源转换,来消除异源图像在风格形式和统计特性上的差异。由于大多数风格迁移方法仅通过约束图像在特征空间上的分布来实现风格迁移,直接应用于遥感图像并不能满足同源特性,而利用对抗网络进行风格迁移能有效学习图像的数据分布,但是其训练过程需要足够的图像数据。针对这些问题,本文提出了改进的图像风格迁移方法,在神经风格迁移的基础上结合对抗网络,在风格迁移过程中同时约束图像在特征空间和数据空间上的分布,能在仅有两幅图像的情况下实现遥感图像的风格迁移。通过在变化检测上的实验结果表明,该方法能有效地消除异源图像之间的差异,进而提升后续进行变化检测的准确性。（2）目前大多数变化检测方法在实现上通常需要借助一定的标签信息,由于获取标签信息需要花费人力和物力,限制了这些方法的应用,因此如何实现无监督的变化检测是一个具有挑战性的实际问题。针对这一需求,本文提出了一种基于双向域迁移的异源图像变化检测方法,首先使用卷积降噪自编码器分别提取异源图像的域特征信息,利用循环一致思想来进行域特征之间的双向迁移,通过跨域融合的方式挖掘不同域之间的联系,结合两个域上的差异信息得到差异图。在此基础上,结合聚类算法和样本选择策略对差异图进行变化分析,从而获取可靠的训练样本,通过训练出鲁棒的分类器来进一步提升变化检测的性能。实验结果表明,该方法在多个数据集上都能获得令人满意的检测结果,有效性得到了验证。