遥感图像变化检测是指通过分析比较同一场景拍摄的多时相遥感影像，识别地物类型及特征是否发生变化的技术。当处理越来越复杂的海量遥感数据时，大多传统变化检测方法难以提供满足实际应用需求的性能。近年来，深度神经网络被证明是自动提取深层图像特征的有效工具，也被应用于检测遥感影像的变化。本文通过分析目前遥感变化检测相关的研究工作，以多光谱图像为研究对象，提出两种基于多特征深度学习的变化检测模型，具体研究内容如下：
　　1)针对多光谱图像特征和结构信息较为复杂，难以充分利用，易导致误检测的问题，提出了一种多特征联合表示深度置信网络的变化检测算法。该算法通过提取图像的光谱、纹理和空间相关性等特征，联合分析不同的特征信息，得到多个二分类图像。然后，选择有较高可信度的样本，获取预分类图像。并将预分类图像中有标签的样本输入深度置信网络进行学习，随后测试得到变化结果。
　　2)针对如何充分利用多时相多光谱图像的关联性，避免像素差分和特征向量堆叠等过程导致变化结果噪声过多，无法提供可靠变化信息的问题，提出了一种双线性卷积特征联合的变化检测模型。该模型是一个端到端的网络，可以从多时图像中自动学习深层特征，并能通过线性外积整合多时相图像的相关信息，不需要人为设计提取特征、预处理和后处理等额外操作。此外，针对该模型的网络结构，本文做了进一步的改进。通过线性叠加不同的输出特征图，融合多层特征后再分类得到变化图像。
　　3)基于本文所提出的多特征联合表示深度置信网络模型，采用PyQt5应用框架，设计了基于Python3.5环境的多光谱遥感图像变化检测软件，并在湖南省洞庭湖区域的多光谱遥感数据上进行了测试。
　　综上所述，本文提出了两种多特征深度学习遥感图像变化检测模型，能充分利用不同特征的特性，并在多组真实多光谱数据集上进行了实验验证。结果表明，模型能有效降低误分类样本数量，抑制噪声对变化结果的影响，显著提升检测性能，实现变化区域的精确检测。