遥感影像变化检测是指从同一场景、不同时相的两幅或多幅遥感影像中提取出变化区域的过程,可以判断出场景内每一个像素是否发生变化。目前遥感影像变化检测方法在土地利用/覆盖、灾害评估、医学诊断、视频监控等多个领域发挥了巨大的作用,因此引起了广泛关注。但传统的变化检测对影像预处理部分要求严格,并且很多环节需要人工去干涉,在处理多源影像数据时会受到较大干扰,从而使得到的变化检测结果精度较低。随着影像分辨率和计算机性能的不断提高,深度学习算法逐渐进入人们的视野,尤其是对于高分辨率遥感影像来说,包含的信息量大且复杂,而深度学习能够很好的提取影像中抽象的特征,解决其中复杂的映射关系,因此本文研究了基于深度学习的变化检测方法,并解决了变化检测中小样本问题。本论文主要开展了以下几方面的工作:(1)对传统的变化检测方法进行了研究并改进。首先,使用基于OTSU的差值法生成了变化检测结果图,并针对传统OTSU出现的问题对算法对阈值计算方式进行改进,将变化与未变化两类之间间距以及类内距离相结合去计算阈值。同时使用变化检测常用的评估系数对算法的效果进行了评估与分析,将变化检测结果图与人工标定的检测图进行对比,总体分类精度提高至87.7%。(2)针对用于变化检测的遥感影像不易获取,而训练深度学习网络又需要大量样本的问题,使用了一种基于深度卷积生成对抗网路(Deep Convolutional Neural Network,DCNN)的样本扩增方法。以DCNN网络为基础,生成了变化检测所需要的数据集。由于本文使用的原始数据集只有13张,因此分别采用非生成式和生成式数据扩增方法来生成样本数据,选取了网络在学习过程中生成的数据作为样本数据集,并手工标注了变化检测区域,从而解决小样本的问题。(3)本文以目前分类算法中精度较高的DeepLabv3网络为基础,构建了一种基于深度卷积网络的遥感影像变化检测模型。该模型实现了遥感影像变化检测端对端训练与预测,并使用了亚像素卷积对算法进行改进。本文使用的DeepLabv3模型,它的空间金字塔池化模块与编码-解码模块对像素级分类的效果非常显著,同时采用亚像素卷积替换DeepLabv3中的反卷积层来提升上采样效果。实验证明,改进后的网络Kappa系数由0.64增加至0.75,改进后的网络准确率提升至95.1%。最后,将传统方法、基于U-Net的变化检测方法及基于改进DeepLabv3的方法进行对比,再一次证明了深度学习与变化检测相结合的方法的优越性。