作为微波遥感的代表,SAR不仅具有覆盖范围大、包含信息量大、获取信息快等一般遥感的特点,而且具有全天时、全天候等不受光照、气候环境影响的特点,因此被广泛应用于国防安全建设和国民经济发展等众多领域。其中,SAR变化检测是SAR图像解译的关键组成部分,一直受到国内外学者的广泛关注。但是由于SAR图像固有的成像机理,其不可避免的存在相干斑噪声,对SAR变化检测产生重要的影响。本文为了抑制相干斑噪声对SAR变化检测产生的影响,提高检测精度,结合多尺度特征,利用深度自编码等模型提取判别性特征,对SAR图像变化检测进行研究。本文的研究内容主要有以下四个方面:1.提出了一种快速无监督深度融合的SAR图像变化检测框架(FuDFN)。其主要目的是利用栈式自动编码器在特征学习过程中生成差异图。与浅层网络相比,该框架可以提取更多的有用特征,有利于获得更好的变化检测结果。此外,我们还找到了一个完整样本的训练子集,它可以恰当的代表整个数据集,既可以加速深度神经网络的训练,又可以避免欠拟合。而且,我们还设计了一个融合网络结构,该结构可以结合基于比值算子的方法,以确保较高层的表示优于较低层的表示。对四幅真实合成孔径雷达图像进行的实验表明,该网络优于传统的比值法和卷积神经网络。2.设计了一种监督变分自动编码器(SVAE)来研究合成孔径雷达变化检测。首先,通过对两幅原始图像进行预处理,利用对数比值法得到差异图像;然后利用模糊C均值聚类(FCM)对差异图像进行分析,得到伪标签。对于SVAE的输入,直接从两个SAR图像中选择,而不是从DI中采样,从而避免了信息损失。有了输入和伪标签,SAVE可以学习潜在的服从高斯分布的表示,根据这种表示,SVAE可以对变化检测进行分类。四个数据集的实验表明,SVAE能够获得利于变化检测的判别特征,其结果优于其他常见方法。3.提出了一种特征提取方法,它结合了卷积孪生自动编码器和循环网络来学习时间和空间特征(RSCAE)。前者可以产生更强大的空间特征表示来抑制散斑噪声,而后者可以有效地模拟双时相SAR图像时间关系。首先,卷积孪生自动编码器的设计是为了从大量无标签数据中无监督地学习更强大的空间特征表示。其次,利用循环网络对所得空间特征进行双时相图像的时间依赖性探索,以提取出更多的具有判别性的时空特征。最后,将具有判别性的时空特征输入到一个Soft-Max层,以预测最终变化结果。方法的有效性和鲁棒性在三组真实的SAR图像数据集和一组模拟图像上得到验证。4.受人类视觉认知系统启发,提出了一种多尺度视觉认知网络(MVC),它利用多尺度空间特征及和双时相图像之间的时间依赖性进行检测。网络由三个模块组成:无监督的视觉模块、基于读-写的记忆模块和基于监督的认知模块。视觉模块可以生成存储在记忆模块中的多尺度空间特征表示,同时以无监督方式抑制斑点噪声。而认知模块能够有效地对存储在记忆块中的多尺度空间特征对进行建模,以获取多尺度时间空间特征关系。视觉模块由卷积自动编码组成,目的是在无监督的情况下学习鲁棒的多尺度空间特征表示。认知模块是由一个循环网络和一个Soft-max分类层组成,目的是对双时相图像的多尺度时间依赖性建模,并预测最终标签。该网络从人类视觉认知系统中得到启发,不仅提高了检测精度,而且抑制了斑点噪声。对三组真实的SAR图像数据集和模拟图像的实验结果表明了该方法的有效性、鲁棒性和优越性。