土地覆盖变化检测不仅是全球环境变化研究的主要内容,也是资源可持续利用决策的关键依据。基于遥感影像的土地覆盖变化检测是目前获得土地覆盖变化信息最方便、经济的方法,因此,本论文研究基于遥感影像的土地覆盖变化检测方法是遥感应用领域的一个重要方面。在国家重点研发计划-星机地协同的大地震灾后灾情快速调查关键技术研究(2017YFC1500902)以及高分重大专项-GF6卫星宽幅相机地表覆盖监测及地表覆盖变化快速检测技术(30-Y20A07-9003-17/18)项目的支持下,本研究结合了遥感技术、统计学方法和机器学习,提出了两种土地覆盖变化检测方法,并以两组同一地区不同时相的高分一号(GF-1)和高分六号(GF-6)影像为研究数据,验证两种方法的有效性。具体的研究内容及结果如下:(1)变化检测最佳特征确定方法研究针对随着特征维数的增加变化检测计算复杂度也随之增加的问题,需要研究特征优选方法。利用统计学方法中显著性检验方法,在基于GF-1影像的土地覆盖变化检测中,特征维数从25维降到12维;在基于GF-6和GF-1的土地覆盖变化检测中,特征维数从25维降到8维,减少了特征维数,提高了计算效率,为后续的土地覆盖变化检测奠定基础。(2)双约束条件变化阈值确定方法研究针对传统变化检测方法,通常在单个约束条件的基础上,通过人为主观或者反复试验方法确定变化阈值,而导致变化检测结果不佳。研究提出了双约束条件下的对象级土地覆盖变化检测方法,即利用变化矢量分析和相关系数,以Kappa系数为确定最佳变化阈值的判断指标,实现了智能化程度较高、且客观性和精确性更高的土地覆盖变化检测。(3)最佳有效样本自动挑选方法研究为了实现在少量样本的前提下得到较高精度的土地覆盖变化检测结果,减少人为标注样本费时费力的问题。本研究提出了基于主动学习双约束条件下的对象级土地覆盖变化检测方法,实现了更为智能化以及客观精确的土地覆盖变化检测。(4)双约束条件下不同变化检测方法对比试验与验证为了验证上述方法的适用性和有效性,本研究利用GF-1和GF-6影像开展试验,并与传统的对象级变化矢量分析土地覆盖变化检测方法在检测结果进行了对比发现,针对GF-1影像的试验中,基于主动学习双约束条件下的对象级土地覆盖变化检测方法和双约束条件的对象级土地覆盖变化检测方法,将总体检测精度分别提高了16%和13%;而在GF-6影像的试验中,基于主动学习双约束条件下的对象级土地覆盖变化检测方法和双约束条件下不同变化检测方法,将总体检测精度分别提高了16%和12%,由此证实了这两种方法的有效性和精确性,其中基于主动学习双约束条件下的对象级土地覆盖变化检测方法在精度方面较传统方法有显著提高。本研究的创新点如下:(1)提出利用统计学中显著性检验方法进行特征优选,降低计算复杂度;(2)将主动学习与双约束条件相结合,提出基于主动学习双约束条件下的土地覆盖变化检测方法,减少人为标注样本所花费的大量的时间和精力,得到更为客观精确的变化检测结果。本研究通过利用特征优选、双约束条件以及主动学习进行了基于遥感影像的土地覆盖变化检测的有益探索,提高了变化检测的效率,且增强了变化检测结果的客观性、精确性以及智能化程度。研究方法有望为国家土地规划、土地资源数据更新以及防灾减灾和国土资源管理等领域的遥感应用提供新的技术途径。