在SAR图像处理领域中,变化检测是一个极具现实意义的研究课题,它通过分析不同时期获取到的同一地域的两幅图像来判断地物是否发生了变化。目前各种变化检测方法层出不穷,总结起来大体可以分为两类:有监督方法和无监督方法。有监督方法需要一些已知的地物变化信息,可以获得相对较高的检测精度,然而要得到地表的真实信息是比较困难的,因此从实际应用来看无监督方法适用范围更广。本文在国家自然科学基金面上项目(基于生成式对抗网络的极化SAR地物分类,61771379),国家高层次人才特殊支持计划(SAR影像解译与目标识别)等项目的支持下,尝试通过无监督的方法获得初步的检测结果,在检测结果中选取一些置信度较高的样本作为训练集,去训练一个性能更好的分类器,实现有监督策略下的无监督SAR图像变化检测。本文主要从这一思想出发,对变化检测问题展开了研究,具体工作如下:1.提出了一种基于超分辨的多层次聚类SAR图像变化检测方法。该方法从无监督变化检测入手,针对滤波后图像空间分辨率降低,细节模糊的问题,采用超分辨技术来提升图像分辨率,增强细节信息,从而提升检测正确率。聚类算法虽然可以寻找数据的内在分布结构,但是图像中的噪声会导致直接对单个像素点进行聚类产生的变化检测结果中伪变化区域较大。本方法通过对超分辨后的两幅图像构建差异图并进行聚类产生多个类别,在此基础上利用层次聚类方法进行类别合并,从而有效地缓解了噪声对变化检测结果的影响。2.提出了一种基于AdaBoost-MLP的SAR图像变化检测方法,该方法结合无监督的变化检测方法和多层感知器完成了有监督策略下的无监督变化检测。利用我们所提出的多层次聚类方法无监督的获得一些置信度较高的样本组成训练集,针对训练集中变化类样本数量相对较少,导致对未变化样本产生过学习的问题,我们构建了对样本权重敏感的多层感知器模型。首先根据训练集训练一个多层感知器,利用AdaBoost算法根据当前分类器的分类错误率来调整样本权重,接着再进行第二个分类器的训练,最后组合所有的分类器输出变化检测的结果。3.提出了一种基于多尺度跳跃型卷积网络的SAR图像变化检测方法,该方法基于CNN实现了无监督的变化检测。网络模型中卷积层和池化层的输入是由原始数据和之前提取到的所有特征图叠加组成的,通过跳跃连接实现了特征重用,这使得变化检测的结果不仅仅依赖于高层提取到的抽象特征,也有效利用了诸如边缘等浅层的结构信息。此外,利用不同的卷积核从不同的尺度“观察”数据,可以获取输入图像更丰富的特征表达。池化层的跳跃连接对不同卷积层的输出均进行了下采样,降低了模型出现过拟合的可能性。相比于CNN,本方法可以有效提升变化检测结果的精度。