变化检测是指同一地区在一段时间内发生的变化。SAR图像是指通过合成孔径雷达得到的图像。相对于其它成像方式,SAR图像不会受到天气等外界条件的限制,具有全天候、全天时的工作能力。因此基于SAR图像的变化检测日益成为研究的热点课题。对于SAR图像变化检测,如何找到两个样本的差异至关重要,而SAR图像由于独特的成像技术,图像中存在相干斑噪声,若采用传统的欧式距离容易受到相干斑噪声的影响。基于传统距离度量的不足,本文提出了两种基于度量学习的SAR图像变化检测算法;并且由于SAR图像变化检测存在样本不平衡以及构建模型需要手动调整参数的问题,本文又提出了基于迭代多目标免疫方法的SAR图像变化检测算法。本文重点内容如下:1.针对传统距离度量对噪声不够鲁棒,同时不能很好的衡量样本之间的差异,本文提出基于空间上下文度量学习的SAR图像变化检测。在SAR图像变化检测中,存在变化类与未变化类边界区域易错分的问题,所以该方法采用生态学Canny方法获得边界区域,将边界区域的样本作为训练样本;并且该方法在构建约束对时充分考虑了空间邻域信息,一定程度上抑制了相干斑噪声以及配准误差对变化检测结果的影响;最后在结构化支持向量机模型求取约束对距离时,将传统的相减转化为对噪声更加鲁棒的LR算子。将本方法在四个标准数据集上进行测试,均取得很好的效果。2.针对第一种单模态度量学习不能很好的利用多模态数据信息导致精度不高的问题,本文提出基于空间先验和多模态度量学习的SAR图像变化检测。与第一种方法相同,该方法将边界部分的样本作为训练样本,解决了边界易错分的问题;并且该方法在构建约束对时充分考虑了空间先验,在邻域内寻找相同类别的约束对;最后构建多模态度量学习模型,该模型学习两类映射矩阵,即每个模态特有的映射矩阵以及全部模态共享的映射矩阵,通过矩阵映射将原始样本映射到特征空间,最后在映射空间进行距离度量。同时本文还将该方法用于异质数据,首先得到每个通道的变化检测结果,然后利用投票方法获得最终的变化检测结果。将本方法在四个同源数据集以及两个异质数据集上进行测试,均取得很好的效果。3.针对SAR图像中样本不平衡以及模型参数需要手动调整的问题,本文提出基于迭代多目标免疫方法的SAR图像变化检测。该方法将灵敏度和特异性均作为目标函数,很好的克服了精度等单目标函数性能不好的问题;然后该方法采用迭代多目标免疫方法对该目标函数进行优化,在该过程中同时将模型参数进行迭代优化,避免了手动调整参数的问题;该方法通过迭代优化产生最优的Pareto解集合,然后在该解集合中选择AUC值最高的解作为最终的最优解。将本方法在四个标准数据集上进行测试,均取得很好的效果。