中国的快速发展、迅速现代化正通过其城市化进程展现出来。城乡布局结构发生巨大的变化。矮旧的杂乱的临时房被拆除.代替它们的是规整的大楼、街道。越来越多的农田变成了住宅区、厂区与商业区。如此快速的变化下，大量的问题变得迫切。测绘制图部门需要更新大量地图，国土资源部门需要监测土地利用情况，城市规划部门需要规划设施建设、决策支持……　　 城市景观的变化可以通过多时相的(multi-temporal)高分辨率卫星或者航空遥感图像监测。因高分辨率遥感图像的精度高、细节表现能力强、信息丰富，它使得场景的解译可以精确到单个目标物级别(比如单幢建筑物，一条道路)。然而开发能快速鲁棒地分析变化本质和变化程度的自动方法仍然是个远没解决好的问题。这样的方法涉及到动态场景中的目标物识别和理解等计算机视觉中的基础问题。　　 本硕士论文工作就是在这样的背景下展开，围绕城区结构变化检测与理解这一主题进行了研究。我们使用同一地区的不同时间的两幅高分辨率光学遥感图像进行分析。提出了一种新的基于特征类别和特征分布学习方法，进行变化区域检测。本文主要贡献分为两层：从应用的角度看，引入了目标物识别领域的一些思想，将其变为适合变化/无变化“识别”问题的方法；从理论方法角度看，基于概率建模我们引入了一个新的模型和计算框架。　　 本文首先简短地介绍要处理的问题，接着对现有的遥感图像变化检测的方法进行综述，并介绍了与本文的方法相关的一些研究工作。在接下来的章节(3,4)里细致的描述了方法、实现和最后的实验结果：　　 ①第三章提出了基于外观不变量的高分辨率遥感图像变化检测算法。本文在结构物体边缘直线段提取和直线段关系图割(Normalised Cut)基础上，将图像分割为结构一致区域。在两幅图像对应的分割区域中，我们计算类SIFT外观不变量，将其聚类生成“词典”。“词语”被用来刻画每个区域的结构。通过求“词语”直方图距离来量化结构变化。　　 ②第四章提出了基于MAP-MRF框架的结构变化检测算法。以第三章的基于外观不变量的变化检测算法为部分基础，我们的新方法融合了形状特征(直线段方向直方图)。我们特征的变化和无变化概率参数通过有监督的估计获得。先验知识项基于Gibbs模型定义。