针对我国西南与东南地区丘陵山区的耕地变化监测研究,大量不同的思路、模型与方法已经被提出了。但是,如何构建高质量的变化检测差异图像至今仍是一个难题,差异图像中确定的变化类和未变化类结果,会直接决定检测后的最终结果。另外,在不同时间段利用小型无人机获取图像的过程中,可能导致被获取的同一场景的图像存在尺度变化,噪声,几何失真和光照变化等。为了解决这些问题,利用小型无人机本文提出了基于图像配准的丘陵山区耕地变化监测框架,其贡献包括:（i）双特征描述子（Dual Feature Descriptor,DFD）:基于欧氏距离的全局特征和基于和向量的局部特征构造了DFD;（ii）多尺度描述子:通过经由预训练的VGG（Visual Geometry Group）网络形成的层和形状上下文（Shape Context,SC）构造了多尺度描述子;（iii）动态内点选择:在配准的初始阶段,粗略图像配准由最可靠的特征点快速确定。之后,再通过增加特征点的数量来优化配准细节;（iv）基于₂L E（L₂-minimizing Estimate）的双约束能量方程:在再生核希尔伯特空间（Reproducing Kernel Hilbert Space,RKHS）中,基于高斯径向基函数（Gaussian Radial Basis Function,GRBF）对待配准图像进行了全局与局部结构双约束的空间变换更新;（v）预分类和预训练:基于模糊C均值聚类（Fuzzy C-Means,FCM）分类器生成了差异矩阵,通过深度神经网络（Deep Neural Network,DNN）预训练差异矩阵,实现快速自动的变化结果图生成。在实验中,该研究主要在四川、贵州、云南、广西和广东的20个重点土地保护区开展。这些地区有多种土地覆盖类型,包括农田,建筑,森林等。在这些土地覆盖类型中,最主要的是耕地（坡度:5°³5°）。数据源主要由小型无人机获取的不同研究区域的500对图像组成。基于数据源本文评估了相关算法,其中图像配准算法与当前5种流行的算法（SIFT,SURF,CPD,GLMDTPS,ZGL_CATE）进行了比较,变化检测算法与当前4种算法（PCA_Kmeans,SSFA,LEGS,Semi_FCM）进行了比较,本文的框架算法在大多数情况下均给出了最好的结果。