随着技术的不断进步,遥感影像的分辨率逐渐提高,这些高分辨率遥感影像在生产和国防中发挥着重要作用,如卫星导航、灾难预警、土地演变分析等。其中,变化检测是高分辨率遥感影像涉及的一类重要应用。然而,传统的变化检测任务主要关注某一区域是否发生了变化,属于二分类问题,较少涉及变化类型的具体信息,即从何种地物变为了何种地物,这限制了它的应用。为了解决这个问题,本文将语义信息与传统的变化检测任务进行深度结合,并通过语义分割的手段实现对传统变化检测任务的改进,从而获得关于变化类型的具体信息。具体地,本文进行了以下方面的工作:首先,针对遥感图像尺度变化大的特点,设计了上下文聚合网络,用于遥感图像的语义分割任务。此网络由上下文融合模块,注意力混合模块,残差卷积模块构成。上下文融合模块用于聚合多个不同感受野的上下文信息,并引入全局信息。注意力混合模块利用通道注意力机制来组合多层次特征,并有选择地强调更具区分性的特征。残差卷积模块用于细化所有层次的特征。本文在公开数据集ISPRS Vaihingen和Potsdam数据集上评估了提出的网络,实验结果表明模型性能优于当时最优的语义分割模型。其次,为了获得关于变化类型的具体信息,本文研究了基于语义分割的遥感图像变化模式分析问题,简称为语义变化模式分析(SCPA)。SCPA能充分利用语义信息并分析变化类型,是一种多分类问题。具体而言,对于一对配准的图像,此任务的输出是像素级的多类别分类结果,每个类标签表示对应像素对的变化类型。这里的变化类型由源图像和目标图像中的像素语义标签共同定义,即像素从某一地物类型变化为另一类地物类型。因此本任务能够精确地分析每个像素的变化情况,并给出具体的变化类型,非常有助于后续的分析和应用。最后,通过人工逐像素标记的方式为SCPA任务构建了一个数据集。该数据集是基于武汉市的一对配准后的高分辨率卫星影像,称为SCPA-Wuhan City(SCPA-WC)数据集,它是第一个包含语义信息标签的精确标注遥感影像数据集。在此基础上,通过语义分割的方式实现了SCPA任务,在SCPA-WC数据集上进行了充分的测试,并建立了相应的性能基准。实验结果表明,SCPA任务具有很强的挑战性,现有方法远不能达到令人满意的效果,是一个非常值得探索的领域。