多时相遥感影像变化检测为研究地物目标变化以及城市发展提供了丰富的信息,具有重要的研究意义和价值。作为遥感技术领域的一个基础环节,吸引了众多学者的研究。到目前为止,已有不少学者分别从基于像素和基于对象的角度,针对不同的研究目的提出了大量的遥感影像变化检测方法以及各种模型。本文尝试对曲线演化模型进行改进,进一步提高变化检测的精度。主要内容如下:(1)提出了一种基于邻域约束(Neighborhood Constraints)和水平集演化(Level Set Evolution)的遥感影像自动变化检测方法,该方法将曲线演化理论中较为成熟的两相分割模型引入到变化检测中来,针对变化检测任务研究演化模型的改进。此外,我们还将邻域约束添加到整个水平集能量模型中,目的是为了增强检测对噪声的鲁棒性。该方法不仅考虑了水平集的初始化策略,同时还包含了从粗到精的过程。最后,我们将所提出的方法应用到一个多分辨率框架中,并且通过实验验证了此方法的有效性。(2)提出了一种基于水平集演化和支持向量机(Support Vector Machine,SVM)分类的遥感影像变化检测方法,该方法将像素级的检测方法和对象级的检测方法相结合,可以选择适当的样本来进行SVM分类器的训练。此外,它还能够有效地提高检测的精确度以及算法的自动化水平。实验结果表明,基于水平集演化和SVM分类结合的方法能够大大减少无意义的斑点噪声,最终的检测精度也得到有效提升。