近年来,随着航空航天及相关遥感技术的发展,越来越多高精度、高分辨的SAR数据开始应用于各个领域,其中利用SAR图像进行变化检测成为了SAR数据的主要应用之一,也是当下国内外研究的热点。传统的变化检测技术是通过比较不同时相下同一地区的两幅图像位于同一位置的特征差异,形成特征差异影像,并对差异影像进行聚类的过程。近些年,随着研究的不断深入,出现了越来越多的变化检测算法,但由于各个特征在实际变化检测的应用中均有一定的局限性,因此变化检测算法的普适性至今都为国内外学者研究的重要课题之一。为了提高检测精度、拓宽算法的适用场景,变化检测的研究也逐渐向多特征融合的方向发展。本论文系统性的研究了经典双时相直接比较法的检测流程,针对直接比较法中特征单一、检测精度不高、针对低分辨率且发生变化的对象分布较为零散的情形时,无法与噪声点进行区分等问题,本文主要进行了以下研究:1、针对传统直接比较法的双时相变化检测算法中利用像素灰度值进行变化检测时,未充分考虑邻域间关系而造成检测精度不高的弊端,本文提出了一种结合纹理特征的多特征融合差异影像构造方法。该方法是通过计算参与变化检测图像对应灰度共生矩阵下的熵和均值统计特征,分别构造熵及均值特征矩阵,并结合该区域灰度变化对熵及均值差异影像进行加权,重新构造差异影像的过程。本文通过对多组实测数据的处理,验证了多特征融合算法的有效性。2、针对双时相变化检测中差异影像的聚类环节,本文首先研究了OTSU阈值分割算法,针对传统OTSU阈值分割结果受到差异图像中变化区域强度及比例影响的不足,本文对其进行了一定的改进,通过在传统OTSU阈值分割基础上进行多次迭代,根据相邻迭代阈值的差异确定迭代终值。本文将两种阈值分割算法在同一幅差异影像上进行验证,实验结果证明了迭代后阈值分割结果的合理性。3、当地物在图像中占据像素较少且分布零散时,传统的双时相检测算法精度较低,这一问题在低分辨率SAR图像中表现更加明显。因此,本文提出了在时间维上增加SAR图像,构建长时间序列的变化检测算法,该算法主要对像素点在时间序列上的变化规律进行建模,从而提取变化区域。通过多组实验表明,该算法能有效地检测建筑物拆建,并在Sentinel-1A卫星录取的雷神山医院地区数据上得到了验证。4、在利用长时间序列灰度特征检测建筑物拆建的基础上,提出了熵与灰度的特征融合检测算法。该算法基于熵和灰度特征在时间序列上建模,分别检测变化区域后,通过对检测结果融合处理得到最终结果。通过实测数据表明,特征融合算法能够弥补基于单一灰度特征在长时间序列检测中的不足。5、本文借助Visual Studio2015平台,并通过C++语言对双时相SAR变化检测进行工程化实现。通过对两幅原始SAR数据不同特征下的变化检测处理测试了变化检测模块的实用性、稳健性。