图像变化检测通过分析同一地区不同时刻的图像,检测出其中变化和未变化部分。多光谱图像包含丰富的光谱信息,已经成为图像变化检测的重要数据来源之一。但是,多光谱图像具有更加丰富的信息和更高的成像质量,导致实现高性能的多光谱图像变化检测变得困难。近年来,生成对抗网络已经展示出强大的生成图像模型的能力,并在图像处理领域得到了广泛应用。为了实现高准确率的变化检测,本文提出了基于生成对抗网络的多光谱图像变化检测方法,主要研究内容及创新点如下:(1)提出了一种基于生成对抗网络无监督特征提取的多光谱图像变化检测方法。该方法将生成对抗网络图像生成和无监督特征提取的思想相结合,利用生成器和判别器之间的对抗训练获得不同时相图像的有效特征,进而得到不同时相图像特征水平的差异图。采用聚类方法处理特征差异图,将其划分为变化和未变化类,实现变化检测。该方法采用生成对抗网络作为特征提取网络,能够获得更加有效的特征,提升多光谱图像变化检测的准确率,并且是一种端到端的方法,能够满足实际需要。(2)提出了一种基于分类对抗网络的多光谱图像变化检测方法。基于分类对抗网络的变化检测方法以生成对抗网络为基础,提出了分类对抗网络。该方法根据初始变化检测结果得到合适的训练样本,以训练分类对抗网络。通过训练网络促使生成器学习到如何从不同时相图像转化为变化检测结果图,实现不同时相多光谱图像到变化检测结果图的直接转换。当网络训练完成之后,将不同时相的图像输入到生成器中,根据其输出获得最终的变化检测结果。基于分类对抗网络的检测方法根据初始变化检测结果,可直接将不同时相的图像转化为变化检测结果图,从整个过程来看是一种完全无监督的方法。(3)提出了一种基于生成判别分类网络的多光谱图像变化检测方法。该方法利用生成对抗网络,提出了一种生成判别分类网络。生成判别分类网络由生成器和判别分类网络组成。该方法根据初始变化检测结果,通过基于像素邻域的准则得到标记数据和未标记数据。利用标记数据、未标记数据和生成器输出的生成数据训练整个网络。基于生成判别分类网络的变化检测方法综合采用标记和未标记的数据训练网络,可有效减少对标记数据的依赖,克服基于深度学习的变化检测方法在训练样本获取方面的局限性,增强变化检测的效果。在整个方法实现过程中,不需要加入任何的先验信息和专家知识,其是一种完全无监督的方法。本文基于生成对抗网络,提出了一种特征水平变化检测方法和两种决策水平变化检测方法。基于生成对抗网络无监督特征提取的变化检测方法,能够获得更加有效的特征表示;基于分类对抗网络的变化检测方法,可直接将不同时相多光谱图像转换到变化检测结果图;基于生成判别分类网络的变化检测方法,在标记数据十分有限的情况下仍然能够获得更好的变化检测性能。以上三种方法,在整个实现过程中,都不需要任何的人为指导和先验信息,均是无监督的变化检测方法。通过在真实的高分辨率多光谱图像数据集上进行实验,证明了提出的变化检测方法的有效性和鲁棒性,其能够用于精确地处理多光谱图像变化检测问题。