合成孔径雷达(Synthetic Aperture Radar,SAR)系统不受天气和光照的影响,具有全天时、全天候的工作能力,并且能够获取丰富的地物信息,因此SAR图像成为遥感图像解译研究领域的重要数据来源。SAR图像变化检测是确定同一区域不同时间获取的多幅SAR图像之间变化信息的一门技术,被广泛地应用于民事和军事领域。然而,SAR系统独特的成像原理会导致图像失真以及产生大量噪声,直接降低变化检测算法的性能。因此,研究SAR图像变化检测算法具有重大的理论意义以及实用价值。传统SAR图像变化检测算法大多利用单一特征来提取图像间的变化信息,在复杂环境下难以实现高精度的变化检测,因此本文主要研究基于特征融合的SAR图像变化检测算法。针对图像特征的提取与融合、图像细节信息的保持以及相干斑噪声的抑制等问题,提出了两种基于特征融合的SAR图像变化检测算法,文章的主要内容如下:(1)针对SAR图像变化检测任务中像元分类容易受相干斑噪声干扰的问题,提出了一种基于图像融合和水平集的SAR图像变化检测算法。该算法工作主要包括:提取两时刻SAR的纹理和灰度差异图,通过平稳小波变换和局部方差准则融合差异图,该融合方式能在抑制噪声的同时保留较多的图像细节信息;利用KI阈值算法对融合差异图进行分类,得到差异图的局部先验信息;最后将局部先验信息构造成自适应核函数引入水平集能量函数,显著提高算法的抗相干斑噪声性能。实测SAR图像实验结果表明,该算法具有较高的变化检测精度,实验结果同时具有较好的抗噪声性能和较好的变化区域边界定位。(2)针对SAR图像变化检测任务中图像细节信息难以充分利用的问题,提出了基于多尺度深度特征融合的SAR图像变化检测算法。该算法工作主要包括:首先利用平稳小波变换将对数比差异图分解为多尺度子图,并通过独立重构的方式构造出具有良好抗噪声性能和细节保持性能的多尺度差异图;提出了一种可实现多图像分类的模糊C聚类算法来获取特征分类器的伪标签,并依据投票方法选取可靠的训练样本;在此样本选取结果的基础上,利用卷积神经网络实现对多尺度特征的有效融合与分类,进一步提高算法对样本的区分能力、算法的抗噪声性能以及对变化区域完整性的有效描述。实测SAR图像实验结果表明,该算法可以很大程度地提升变化检测的精度和抗噪性能。