遥感图像变化检测是对同一地理位置不同时间获取的多幅遥感图像进行分析和检测,得到地物类型发生变化的区域的一项任务。传统的变化检测算法从多时相图像的差异图中提取变化特征,经过阈值分割得到变化图。差异图的质量和阈值的选取直接影响变化检测的精度。而差异图的质量往往受到成像因素影响,阈值通常也难以确定,导致变化检测的精度不高且自动化水平较低。卷积神经网络可以通过大量数据训练,自动提取变化类特征信息,生成变化图。因此,本文利用卷积神经网络进行遥感图像变化检测的研究,主要完成了以下工作:(1)针对遥感图像因波段拼接导致色彩不均的问题,提出一种色差均衡与拉伸算法来消除波段拼接痕迹;针对遥感图像尺寸过大,不能直接参与训练的问题,提出利用数据切分与增广操作对遥感图像进行预处理,生成实验数据集。(2)针对U-Net网络在训练时容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取模块的标准卷积,增强卷积核的鲁棒性,防止过拟合;针对遥感图像背景复杂、小目标变化情况容易被漏检的问题,提出将注意力机制融入U-Net网络中,调节特征图权重,加强模型对变化类特征的学习,提取更合适的特征进行变化检测。实验结果表明,与传统方法和改进前的U-Net模型相比,改进后的U-Net模型在进行变化检测时的精度有明显提升。(3)针对U-Net网络进行变化检测时合并通道操作的存在使模型不能充分利用每幅图像的特征的问题,设计并实现一种基于双分支卷积神经网络的遥感图像变化检测模型,通过两个相同的卷积神经网络分别提取每幅图像的特征;针对特征提取部分池化操作产生的信息损失影响变化检测精度的问题,提出用一个步长为2的卷积层来代替池化层,减少特征图的信息损失。实验表明,该模型的变化检测精度与基于改进U-Net的变化检测模型以及基于孪生网络的变化检测模型相比有进一步提升,且该模型具有一定的泛化能力。