城市新增建设用地是城市建设与发展的重要指标,其准确提取可协助城市规划和管理者进行动态监测与进一步规划,从而掌握城市建设和发展趋势。随着卫星遥感技术的飞速发展,高分辨率遥感影像被广泛应用于国民经济建设的各个行业。目前采用遥感影像进行变化检测的方法众多,但存在影像预处理要求高,自动化程度低、特征选择与特征组合困难等不足。深度学习算法具有很强的学习能力,可以通过多层卷积来拟合复杂的映射关系,解决复杂的任务,为遥感影像的处理提供了一种新的方法。因此,本文以高分辨率遥感影像为数据源开展基于深度学习的城市新增建设用地高分遥感变化检测研究,论文以U-Net为主干网络,通过试验改进和优化了U-Net网络结构和损失函数,设计了一套基于深度学习的城市新增建设用地高分遥感变化检测流程。文章主要研究内容和成果如下:（1）建立了城市新增建设用地高分影像数据集。当前国内外尚没有开放的新增建设用地数据集,本文首先界定城市新增建设用地类型和变化现状,以重庆市茶园区为例,建立了城市新增建设用地高分影像数据集。数据集建立的主要过程包括:制作城市新增建设用地栅格图、人工标注、数据的裁剪与划分、数据合并、数据增广、影像数值归一化等。（2）通过试验对比,优选出最佳损失函数。为降低数据集类别非平衡现象对变化检测精度的影响,本文在模型的损失函数上展开研究,选择了三种针对类别非均衡的损失函数,以U-Net模型为基础,在保证其他参数不变的情况下,分别进行训练,来得到其中的最优损失函数。实验结果表明,加权交叉熵损失函数在三种函数中的训练精度最高、新增区域的图形提取效果最好。（3）设计并实现了一种新的城市新增建设用地变化检测方法。为提高分割结果的精细程度,同时为了避免网络层数加深带来的模型退化问题,引入了残差Res Ne Xt结构对U-Net模型中的编码层进行替换,实现了U-Net模型在结构上的改进。设计并构建了基于残差的改进U-Net变化检测模型,并设计对比实验,实验结果表明改进后的模型提取精度更高,提取图形轮廓更接近真实标签图。文章对城市新增建设用地的变化检测问题展开研究,实现了基于U-Net的变化检测方法的改进与优化,并设计和实现了一套完整城市新增建设用地变化检测技术流程,该流程可以用来快速地、大范围地提取出城市新增建设用地的区域,便于土地利用的实时监测,有效打击各种违法用地的活动,实现城市建设用地的合理管理和土地资源的有效利用。