图像变化检测的任务是给定同一地区不同时刻的图像,通过算法快速锁定变化区域。传统的变化检测算法以像素点为基本分析单元,在处理简单场景或分辨率较低的场景时算法表现较好,但面临复杂场景或高分辨率问题时,算法的性能会受到限制。为了解决这些问题,本文以超像素作为基本分析单元,结合深度神经网络强大的多层非线性映射能力对超像素级别变化检测算法进行研究。本文的主要内容包括如下三个方面的工作:首先,针对多时相遥感图像变化检测问题提出基于卷积神经网络的超像素级别变化检测方法。该方法针对变化检测问题设计了联合简单线性迭代聚类分割算法,在保证对多时图像分割的轮廓相同的同时,将分割过程融入多时相图像的信息;为了度量分割的超像素块的相似度,一种简单超像素相似度度量法被提出,以概率形式度量超像素块的相似度,以相似度的高低为标准去选择正确分类的样本作为数据集;构建卷积神经网络对选择的训练数据集进行训练,用训练好的网络进行图像变化和未变化的分类。其次,针对多时相遥感图像的三分类变化检测问题提出基于深度置信网络的超像素级别变化分析方法。该方法首先运用无监督的变化向量分析法对超像素块进行预分类,然后通过一种简单有效的样本选择方法选择纯净样本作为训练数据集,最后构建深度置信网络并进行网络训练,得到鲁棒性很强的网络,为了克服超像素分割算法不精确的问题,多尺度的策略被运用到算法中为减小甚至消除由于分割误差导致的变化检测结果不精确的问题。最后,针对多时相异源图像的变化检测问题提出基于耦合卷积神经网络的超像素级别异源图像变化检测方法。该方法针对异源图像变化检测问题设计新的网络结构和训练方法,使异源图像通过新设计的网络同时映射到相同的特征空间中。在训练过程中,通过结合聚类操作设计新的损失函数,用网络的训练结果指导聚类算法的分割,用聚类算法的分割结果指导网络的参数调整方向。大量的理论分析和实验分析证明基于深度学习的超像素级别变化检测可以有效并且精确地处理多时遥感图像变化检测问题。