随着遥感技术的飞速发展,遥感影像空间分辨率越来越高,高分辨率遥感影像的地面细节更加丰富。基于灾害前后高分辨率遥感影像的建筑物损毁程度检测对辅助灾后救援和灾后响应有着重要意义,同时基于双时相遥感影像的建筑物变化检测在城乡规划、土地资源规划等方面发挥关键作用。随着深度学习方法的不断革新,深度学习方法在建筑物损毁程度检测和变化检测中都取得了一定的成果。针对建筑物损毁程度检测任务中,高分辨率遥感影像背景复杂,建筑物形状、大小和分布多样,相邻损毁类别特征相似,导致损毁建筑物的定位和分类不准确的问题。本文设计了两阶段的建筑物损毁程度检测网络,第一阶段是建筑物定位网络,采用非对称卷积块和多尺度跳跃连接,提高对复杂建筑物的提取能力,只使用灾前影像来完成建筑物定位工作。第二阶段是建筑物损毁程度分类网络,以第一阶段网络为基础构建孪生网络,嵌入注意力模块提高灾害前后建筑物的相关性,灾害前后遥感影像作为输入,完成对建筑物损毁程度的四分类。针对建筑物变化检测任务中,检测网络在对全局信息获取上有所欠缺,现有建筑物变化检测网络参数量较多的问题。本文设计了轻量的EfficientUNet++建筑物变化检测网络,使用语义分割的方法来完成建筑物变化检测。双时相的遥感影像先拼接,然后再输入到网络中。在网络的底部嵌入自注意力来提高网络对全局信息的获取;使用轻量的特征提取网络Efficient Net和深度可分离卷积,保证建筑物变化检测精度的同时,减少参数量。