由于航空航天科技高速发展,高分遥感影像成为实现对地观测的重要数据来源,利用变化检测技术可以迅速获取城镇扩张、自然灾害评估、植被监测分析等结果。然而,由于高分遥感影像包含地物信息量大的特点,同时在获取高分遥感影像会受到光照、角度、配准等因素影响,提高了对高分遥感影像的处理及特征提取的难度,导致高分遥感影像的变化检测技术方法面临更多挑战。现有的高分遥感影像变化检测方法中,像素级变化检测结果中一般会有椒盐现象,而基于图像分割的对象级变化检测方法存在影像分割尺度难以确定的问题。因此本文提出了一种将像素级变化检测与对象级变化检测相结合的方法,通过融合两种方法得到的结果来获取目标地物发生变化区域,从而实现变化检测精度提升。本文的主要研究内容如下:(1)U-net网络模型结构改进。为利用深度学习对图像特征有较高理解的优点,本文使用U-net网络对高分遥感影像进行对象级图像分割。原U-net网络还存在过拟合、模型训练较慢等现象,因此对其进行改进。本文方法首先改进U-net模型结构,在U-net网络结构中加入批标准化层,然后引入迁移学习采用VGG16网络的参数初始化本文改进的U-net模型,并添加Dropout方法避免过拟合,最后改进原U-net网络使用的交叉熵损失函数而使用Focal loss损失函数。通过对比实验表明本文提出的方法有效的提升了高分遥感影像的语义分割效果,获得了更高的分割精度,且在模型训练时更加稳定。(2)像素级与对象级变化检测相结合的高分遥感影像变化检测方法的研究。为解决仅使用单一类型变化检测方法无法充分利用遥感图像特征,导致变化检测结果精度不高的问题,本文提出一种结合像素级与对象级两种方法优势的变化检测模型。此方法综合使用高分辨率遥感图像的多维特征,首先根据两时相遥感图像的组合特征使用随机森林分类器进行分类,得到像素级变化检测二分类结果;再使用改进的U-net网络对后时相遥感影像进行语义分割,获得图像对象分类结果;最后运用统计学原理融合以上两种方法得到的结果图,获得地物类别上发生变化的区域。通过实验结果可以证明本文提出的方法具有较高的变化检测精度。