遥感图像变化检测是一项被广泛应用的图像处理技术,它可以根据一组拍摄于同一地点但不同时间的图像,分析出该区域在这段时间内发生变化的部分。随着遥感技术的快速发展,能获取到的遥感图像数量越来越多,图像的类型也越来越丰富,如何能更加智能化地以及更加精确地处理这些复杂的图像,是变化检测技术亟待解决的难题。根据图像来源的不同,变化检测可以分为同源变化检测和异源变化检测两类。目前基于神经网络的同源变化检测技术采用的都是判别式模型,需要大量标注过的样本进行训练,会耗费大量人力和物力。而异源变化检测因为图像由不同传感器获取,对同一目标有着不同的像素表示,所以无法在原始观测空间中进行比较。生成对抗网络作为一种生成式模型,不需要任何带标签的训练样本就能学习到数据的真实分布,而且对抗式的学习能够很好的实现两种不同类型图像间的风格转换。所以无论是面对同源还是异源图像,生成对抗网络都能很好地应用到图像变化检测中去,解决目前变化检测算法中存在的一些问题。本文主要包含以下三个工作:1)提出了一种基于生成对抗网络的高光谱图像变化检测方法。该方法能够提取到高光谱图像中的重要特征,将图像特征进行融合的同时,能够从一个初始的差异图中学习到图像间真实的差异信息,从而可以生成一个更加高质量的差异图,提高变化区域的检测精度。该方法是完全无监督的,借助于生成器与判别器之间的对抗学习,还能在一定程度上提高算法的鲁棒性。2)提出了一种基于条件对抗网络的异源图像变化检测方法。该方法借助于条件对抗网络的图像风格转换的功能,将一幅图像翻译到与另一幅图像具有相同像素表示的观测空间,从而可以将异源图像转换为同源图像。然后通过比较和分析两幅同源图像的差异信息,就能得到对应异源图像的变化检测结果。3)提出了一种基于耦合翻译网络的异源图像变化检测方法。该方法是在第二个工作的基础上做了改进,将变分自编码器的特征提取与生成对抗网络的图像风格转换功能结合在一起,形成一组耦合的图像翻译网络,在两个相反的翻译方向上同时进行图像翻译,可以将一组异源的图像翻译为两组同源的图像,然后分别对两组同源图像进行比较和分析,最后对两组的检测结果取交集作为最终的实验结果。该方法是完全无监督的,而且是将图像翻译到统一的观测空间中进行比较,相比目前在特征层中的进行比较的算法,该方法能够取得更高的检测精度。这三种方法分别将生成对抗网络应用到同源和异源的变化检测中去,逐步提高算法的精度。基于生成对抗网络的高光谱图像变化检测方法利用了生成式模型,解决了目前判别式变化检测方法需要大量标签数据的难题,可以无监督地生成更加高质量的差异图。基于条件对抗网络的异源图像变化检测算法是将图像翻译应用到异源图像变化检测的一种探索,通过将异源图像翻译为同源图像,然后通过比较同源图像可以得到异源图像的差异,解决了异源图像无法在原始观测空间直接比较的问题。基于耦合翻译网络的异源变化检测算法则更近一步,利用一组耦合的翻译网络可以将一组异源图像翻译为两组同源图像,两组同源图像间的差异信息优势互补,可以有效地提高算法的检测精度。本文所提的三个方法都是利用生成对抗网络去解决目前图像变化检测算法中存在的一些问题,每个方法都在真实的数据集中得到了验证,有效性得到了证明。