随着我国铁路事业的发展,铁路在社会经济中发挥着越来越重要的作用。铁路的建设能够推动当地区域各方面快速地发展与变迁,其中,建筑用地的使用变化是最明显的体现,铁路建设前后的建筑物数量、分布等,都会发生一定程度的改变。建筑物信息作为土地利用统计、城市发展的重要参考因素,在铁路建设前后及时获取,可以对土地利用、城市规划的相关决策起到参考作用。另外,遥感技术的发展,使得地物信息监测向高精度、实时性、低成本的方向发展,利用遥感影像对铁路沿线建筑物的变化进行监测研究,无论在影像解译方法还是在实际应用上均具有重要的研究意义。本文基于遥感影像数据研究了铁路沿线建筑物的变化监测技术,并以某地铁路沿线的建筑物变化影像作为数据支持。论文的研究工作主要有以下几点:首先将U-net神经网络算法应用到遥感影像建筑物变化检测任务,并根据网络结构与检测任务构造了数据集,以保证训练之后得到良好的网络模型。对U型神经网络结构的缺陷进行了改进:针对U-net神经网络算法无法准确提取特征复杂的遥感影像中建筑物的问题,提出低维特征增强的改进,使得在网络向后传播过程中的低维特征信息的丢失减少,从而提升建筑物边缘提取的精度。在网络中加入双重约束函数与归一化操作,保证网络参数收敛过程的高效性。提高了网络模型对建筑物细节的获取能力,确保建筑物检测初级结果的准确性。针对建筑物内部存在阴影或遮挡,导致网络对其特征识别不佳,另外噪声也会影响检测结果精度的情况。提出了改进的超像素分割算法,作为后续与U-net神经网络算法结合的基础,对建筑物变化检测的结果进一步优化。提出了随机选取多个点再比较的方法代替简单均匀分配方法;在每次迭代后引入滤波操作,去除超像素内与聚类中心在颜色空间上差异较大的像素点,用剩余的像素点更新聚类中心。优化了超像素分割的结果。提出了一种结合U-net与超像素分割的高分辨率遥感影像建筑物变化检测方法。将改进U-net的建筑物变化检测结果与对应的超像素分割结果融合,可以减小建筑物内部阴影、遮挡、局部噪声等对检测结果的影响。并使用实验区域的高分遥感影像进行检测,分别对车站区域与铁轨沿线建筑物变化的情况进行了分析。本文提出的方法能对铁路沿线建筑物变化准确检测,并有效为土地利用、城市规划等提供参考。