高光谱遥感图像变化检测是根据同一地区不同时相的高光谱遥感图像来确定区域内地表变化的信息处理过程。地表变化信息的收集和分析对于环境保护、自然资源管理以及研究人类社会发展与自然环境之间的关系等问题具有重要意义。目前高光谱遥感图像变化检测技术被应用于地震灾害评估、城市规划、战场损毁评估、军事侦察等领域。但是现阶段仍然存在许多问题使得变化检测的精度难以提升,阻碍了高光谱遥感图像变化检测的发展,本文针对目前高光谱遥感图像变化检测中存在的问题展开了深入研究。高光谱遥感图像变化检测的处理流程可以分为两个步骤:1.差异图生成2.变化信息提取。本文首先对这两个步骤中的传统方法进行了归纳,包括差异图生成步骤中的差值法、图像回归法、相关系数法,以及变化信息提取步骤中的阈值分割法、聚类方法和基于概率和数理统计的方法。本文针对高光谱遥感图像变化检测中的光谱信息的利用、变化阈值的选取、空间信息的利用问题展开研究,内容如下:1.提出了一种基于SDAE的双阈值分割变化检测方法。针对高光谱遥感图像中波段数目较多带来的信息冗余问题,在差异图生成的步骤中使用非监督预训练的方式对不同时相图像利用堆叠降噪自动编码器进行降维,使用光谱角来衡量对应像元间的差异信息从而生成差异图。在变化信息提取的步骤中使用双阈值分割方法通过最大化类间方差将差异图中的像元分成变化像元、未变化像元、弱变化像元三类,然后依据弱变化像元的邻域空间信息对弱变化像元进行判别。通过对三组的高光谱变化检测数据集进行实验,证明了所提出方法的有效性。2.提出了一种基于多路径卷积神经网络的变化检测方法。针对传统算法中未能有效利用空间信息进行变化检测的问题,设计了一种多路径卷积神经网络进行变化信息提取。多路径卷积神经网络中采用了Inception模块,通过设置不同路径来对不同尺度的空间信息进行提取和利用,引入了Dropout防止网络过拟合,并在每条路径设置辅助输出来避免梯度消失。在Bay Area数据集、Santa Barbara数据集、Hermiston数据集上进行对比实验,证明了所提出方法的有效性并且具有在不同类型的高光谱遥感图像上具有适用性。