遥感图像变化检测(Change Detection,CD)技术通过分析同一场景在不同时相的变化,实现对遥感场景的解译,得到地球表面大规模变化的信息,在遥感图像处理领域有着重要应用。相对于全色图像和多光谱图像,高光谱遥感图像(Hyperspectral Images,HSIs)除了可以表征地物的空间信息外,还能够表征更高分辨率且非常精细的光谱信息,因此高光谱变化检测(HCD)在资源和环境监测、自然灾害评估、军事侦察等领域逐渐占据重要作用。然而,实现有效的高光谱变化检测仍然面临许多挑战。比如,如何针对高光谱这种高维且冗余的数据,在降低数据维度的同时挖掘具有区分性的深层次特征,以克服噪声或其他干扰信息带来的解译精度不理想的问题;如何设计具有光谱距离约束且数据表征能力强的深度网络架构,以实现对大范围复杂高光谱遥感场景的有效模拟。此外,目前基于深度学习的高光谱变化检测算法中所用的网络大多为监督网络,但当前高光谱变化检测训练样本的选取和评估需要消耗较多人力、物力及时间,因而训练样本数据十分匮乏。针对上述问题,本论文深入分析多时相高光谱遥感图像的数据特性,在目前高光谱变化检测技术的基础上,探讨了能够有效实现高光谱变化检测的网络架构,并通过真实的多时相高光谱遥感数据来验证本论文建立的模型。本论文的研究内容和创新点如下:(1)传统的变化检测方法难以表征多时相高光谱遥感图像较深层次的结构关系,同时考虑到高光谱遥感图像存在训练样本不足且人工标记难的问题,我们提出了基于无监督自编码网络的多时相高光谱遥感图像深层次特征提取方法,不仅实现了数据降维且挖掘到具有区分性的变化区域特征。进而在特征域上进行变化区域分析,克服了原高维图像域变化检测复杂度高且冗余干扰信息带来的检测精度低的问题。实验结果表明,基于无监督自编码网络的高光谱变化检测技术不仅降低了检测维度,还实现了样本数量和检测性能间的自适应平衡。(2)与全色和多光谱等其他遥感图像不同的是,高光谱遥感图像的关键特性是其光谱信息能够在本质上区分地物。为了进一步提升变化检测精度且挖掘高光谱遥感图像的本质光谱特征,本文创新性地通过对抗学习引入光谱距离约束条件下的无监督网络。通过对比数据非线性映射前后的光谱角距离,说明该网络能够在深度潜层空间有效地表征高维光谱数据。实验结果表明,基于这样的特征,检测精度较有监督网络提升了0.01到0.02左右。(3)基于前述深度潜层空间中的深层次光谱特征,本论文还设计了基于多尺度属性滤波器的空间特征提取器,实现空谱特征的有效级联,以保证多尺度且多形状的变化区域判别准确度。其基本思想是在利用无监督对抗网络提取的深层次光谱特征的基础上,构建多尺度形态学属性开操作和闭操作空间特征提取器。这样不仅便于判别出光谱维上具有本质属性区别的变化区域,还能判别出空间域中不同尺度且不同形状的变化区域。