地物信息的变化检测是遥感影像解译工作中的重要研究方向之一,广泛应用于环境监测、军事侦测、国土资源变化、城市空间规划和自然灾害评估等领域,具有重要的实用价值。遥感影像作为测量地物的主要信息载体,其数据量随着遥感技术的发展而日渐增多,进一步推动了变化检测领域的发展。深度神经网络由于其强大的表示学习能力,在处理遥感数据时能提取高级的潜在特征,可以显著地提升解译过程的精度以及效率。虽然这些海量数据的分辨率得到提高,但是在现有的变化检测方法中并没有充分地利用,缺乏相对成熟的变化检测技术,所以需要对变化检测领域进行进一步研究。本文具体研究内容如下:（1）针对小目标变化区域的漏检和变化区域边界处理效果差的问题,提出一种融合密集连接和注意力机制的方法。该方法主要包括两个阶段,第一阶段通过在残差网络中引入空洞卷积的方式,尽量保证在下采样提取初始特征的过程中不至于损失太多空间信息。随后通过密集连接的方式级联多个不同膨胀率的空洞卷积,以更加密集的采样方式生成更为丰富的特征,从而获取具有更大感受野的多尺度信息。生成的特征再经过注意力机制的强化,进一步强调特征里的变化信息,抑制非变化信息。第二阶段通过条件随机场约束边界从而细化变化图。在LEVIR-CD和SZTAKI两个数据集上的F1值分别达到了88.8%和83.5%,实验结果表明所提方法有效地消除了小目标变化区域的漏检和变化区域边界处理差的现象。（2）针对目前的变化检测方法缺少对伪变化信息判识的问题,提出一种融合多层空间和通道联合自变化注意力的方法。该方法通过引入空间和通道自变化注意力模块来提取全局信息,其中空间自变化注意力模块很好地建立了相似变化位置之间的联系,通道自变化注意力模块更加关注通道之间的交互,这二者的联合最大程度捕捉了长距离特征之间的关联,更好地提升特征表达能力,从而对伪变化有很好的识别能力。最后通过特征金字塔技术融合不同层次的自变化特征图,进而得到精确的变化图。在LEVIR-CD和CDD两个数据集上的F1指标分别达到了89.4%和89.0%,对于因为图像配准效果不佳、地物阴影、季节变化和光照变化等因素造成的伪变化区域,实验结果验证了所提方法增强了对这些伪变化区域的辨识能力。