遥感影像变化检测是对全球地表景观进行动态变化监测的重要技术手段之一,在土地调查、城市研究、生态环境监测以及灾害检测等领域有着广泛的应用。随着多时相高空间分辨率遥感影像（简称高分影像）获取能力的不断提高,为遥感影像变化检测信息的精准提取提供了海量数据支撑。相比中低分辨率遥感影像,高分影像具有同质区域光谱异质化、地表信息细节化以及地理信息空间多尺度化等新特点,必然给遥感影像变化检测带来了新的挑战。具体表现为:（1）随着空间分辨率的提高,高分影像具有光谱特征精细,空间几何特征丰富,地物空间拓扑关系复杂以及同质区域光谱异质化等一系列特点,使得传统中低分辨率遥感影像的变化检测体系难以满足高分影像变化检测的需求;（2）高分影像的地表信息高度细节化造成了地物内部方差增加,地物类间方差减少,使得基于像素的变化检测方法难以解决光谱解译带来的“同物异谱”与“异物同谱”的困难;（3）地表景观在高分影像的对地观察中表现为多尺度的统一,采用单一的观察尺度难以解译地表景观在高分影像中的空间多尺度特征,较小观察尺度将导致大尺度地物的离散化,反之造成小尺度地物的过度综合。为此,利用更加合理和有效的工作程序来提高变化检测精度显得尤其重要。针对高分影像同质区域光谱异质化、地表信息细节化以及地理信息空间多尺度化等新特点给变化检测带来的挑战,本文充分挖掘高分影像丰富的“光谱-空间”深层次多维特征,有效地增强多尺度对象的语义一致性,建立“像素-对象-场景”的多层次解译模型,并围绕多尺度对象下高分影像多维特征在变化检测中的应用开展相关研究,分析本文三种变化检测算法在不同应用场景的优缺点,为高效快速、智能化的变化检测提供技术与理论参考。论文研究内容与成果如下:（1）研究了联合像素与多尺度对象的高分影像的变化检测。首先,研究采用经典证据理论在像素证据的基础上融合对象证据给高分影像变化检测带来清晰的边界信息。其次,针对现有利用证据理论进行变化检测研究时,存在将父分割尺度中的不确定性传递到子分割尺度的缺陷和对象分割算法的选择受到父子分割的局限,本文将通过尺度驱动下多数投票策略来消除父尺度对子尺度的分割影响,提高多尺度对象变化检测算法的性能,避免“父-子”分割分析中误差的递增。最后,利用四个不同地区的GF-2影像进行对比实验,验证了该方法的有效性。（2）研究了基于多维特征视觉显著性检测的面向对象的变化检测。传统视觉显著性检测利用差分影像的灰度特征来表征地理要素的差异,难以充分利用高分影像独特的光谱、空间结构特征,本文将遥感影像视觉感受能力在光谱-空间特征中的表达归纳为局部低层次特征、全局低层次特征和高层次特征,以揭示遥感影像在视觉显著性检测过程中的深层次多维特征。为了解决逐像素的研究方法丢失掉上下文局部信息的问题,通过比较对象与其k级邻域中所有对象的差异来完成变化检测。同时,利用多尺度加权融合策略对不同尺度显著性强度进行融合,解决了单一尺度变化检测结果中出现的过分割与欠分割问题。在多源遥感影像数据集上的对比实验表明该方法能在抵抗噪声的同时保留影像深层次信息,相比于其他方法在高分影像中取得了更优的实验结果。（3）研究了多尺度对象驱动下卷积神经网络（Convolutional Neural Networks,CNN）与自动标注的变化检测。分类后比较能满足异源遥感影像变化检测中明确地物变化类型的需要,基于深度学习成功应用于地物类型识别的经验,因此深度学习成为了异源遥感影像变化检测的主要研究内容之一。针对深度学习中缺乏大规模、多层次遥感解译数据集,人工采集费时费力,数据集来源单一等问题,研究提出了一种利用矢量数据进行自动化标注样本的技术流程来建立高效率、高质量数据集,并且在多样性、丰富性和多尺度化等方面提供了继续扩展的可能。针对多尺度数据集,研究通过融合基于斑块的CNN（patch-based CNN）、面向对象投票策略和多层次多数投票策略等方法建立了一个多尺度对象CNN来实现对大场景遥感影像土地利用类型的识别。将改进方法运用于多幅SPOT-6,GF-2,以及ALOS高分影像地物类型识别中,实现了异源遥感影像分类后比较的变化检测,并且通过大量实验验证了该方法对于异源遥感影像变化检测的有效性与鲁棒性。