建筑物是高分辨率遥感影像中的重要目标之一,同时也是空间地理信息库中的重要组成要素。高效、及时提取建筑物变化信息,能够为社会管理和可持续发展提供指导,具有十分重要的意义。本文以孪生卷积神经网络为框架,借助自注意力机制能够建立长距离元素之间关联的特性,研究自注意力孪生卷积神经网络建筑物变化检测模型。分别设计和改进模型的编码结构和解码结构。在编码结构中,提出了采用联合计算方法训练模型;提出了在骨干网络中嵌入自注意力模块建立不同时相图像数据之间的关联;并将不同尺寸特征图全部输出以保留更多位置和语义信息。在解码结构中,为了逐步恢复不同尺寸的物体的细节和空间维度、充分融合多解码特征图,提出了两种联合路径上采样网络:跨通道组合网络和降维叠加网络。总结数据集对模型性能的影响,在上文所提出模型的基础上通过增加建筑物提取分支,进一步提出了双分支建筑物变化检测模型。设计了用于双分支建筑物变化检测模型的损失函数;为了进一步优化检测结果,提出了基于数学形态学的建筑物变化检测结果后处理。通过多组消融实验确定了自注意力孪生卷积神经网络变化检测模型的最优组合方式,以及损失系数α=0.5和β=0.25时双分支建筑物检测模型。在两个建筑物数据集上分别对本文提出的两种模型进行测试,并采用另外两种基准模型进行对比。结果显示,自注意力孪生卷积神经网络变化检测模型在LEVIR-CD数据集的测试中F1值达到88.0%,分别比基准模型高7.8%和2.0%;而在WHU Building数据集的测试中F1值达到80.4%,分别比基准模型高16.5%和8.9%。基于自注意力孪生卷积神经网络的双分支建筑物变化检测模型在WHU Building数据集的测试中F1值达到86%,分别比基准模型高22.1%和14.5%。实验结果表明本文提出的两种模型:自注意力孪生卷积神经网络变化检测模型和基于自注意力孪生卷积神经网络的双分支建筑物变化检测模型在检测精度和提取效果方面的表现均比基准模型更加优秀,其中在自注意力孪生卷积神经网络变化检测模型基础上构建的双分支建筑物变化检测模型的性能更加显著。通过结果分析表明本文提出的两种模型在遥感影像建筑物变化信息提取的精度和效果方面均具有一定优势,还能够根据数据源的丰富程度选用不同的模型,适用性更强。