卫星遥感技术具有周期性获取地表信息的能力,可以快速提取地表动态变化的信息,广泛应用于国土资源调查、城市建筑提取、灾害监测等领域。如何利用遥感影像变化检测对地表变化信息进行准确识别已成为遥感领域的一个重要研究方向。近年来,随着人工智能相关理论的发展,深度学习算法已经越来越多地应用在遥感影像变化检测之中。深度学习以其强大的特征挖掘和表示能力,可以对遥感影像的深层特征信息进行充分提取,相较于传统的变化检测方法能够更好地识别影像中的复杂地表情况,实现较高精度的变化检测。然而,在面临真实环境中地物多样化尺度特征和遥感影像的数据冗余时,现有的深度学习方法在遥感变化检测中又存在着不足。论文分析了现有的深度学习变化检测方法中的不足,研究了深度神经网络的结构优化方法,分别从像素级和图像级两种不同的变化检测方法入手,构建了两种以孪生网络和注意力机制为基础的变化检测模型,以适应不同类型的样本需求。主要研究内容如下:（1）针对像素级样本,采用“点到点”的变化检测方法,提出了一种结合孪生差异特征学习与自注意力机制网络（Siamese Difference-learning Attention Network,SDANet）的遥感变化检测算法。首先,针对网络对影像块变化信息利用不足的情况,构建了基于孪生结构的卷积神经网络和差异学习模块提取影像块的变化特征。考虑到图像各像素和各通道之间存在的相关性,建立了结合空间和通道的自注意力机制,使得网络可以从空间和通道两个维度捕获影像数据内在的联系,增强特征识别能力。实验结果表明,提出的SDANet算法在检测精度上优于其他对比方法。（2）针对图像级样本,采用“图到图”的变化检测方法,构建了基于高分辨率特征表示与孪生特征的变化检测网络（Siamese High Resolution Network,Siam＿HRNet）。针对目前全卷积网络中对于特征图存在多次连续下采样导致空间信息丢失的情况,采用多分辨率并行的结构能够在保持影像较高分辨率的同时综合利用各分辨率图像信息,降低因多次下采样而造成的空间信息损失。实验结果证明,Siam＿HRNet可以较为准确地提取两时期影像特征,实现较高精度的变化检测。（3）在“图到图”的变化检测方法中,针对目前的注意力机制在变化检测中不能很好地获取影像差异信息的情况,提出了一种基于差异注意力机制的变化检测网络（High-resolution-feature Difference Attention Network,HDANet）。结合不同膨胀率卷积核并联形成的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）结构,学习同一特征图不同尺度地物的特征。实验结果表明,提出的HDANet算法能够对变化强度高的区域赋予较大注意力权重,从而提高网络模型对影像差异信息的识别能力,同时检测结果中对于地物的完整性和边缘细节方面表现更好。