合成孔径雷达（Synthetic Aperture Radar,SAR）因其全天时、全天候的工作能力与穿透力强等特性,被广泛应用于遥感技术领域。SAR图像变化检测是通过定性定量分析同一区域不同时相的SAR图像来获取地物变化信息的方法。SAR图像由于自身成像机理导致图像含有大量相干斑噪声,这给SAR图像变化检测带来了极大的挑战。本文首先介绍了SAR图像变化检测的研究现状,在对现有变化检测方法优缺点分析的基础上,提出了基于语义卷积神经网络和生成对抗学习的SAR图像变化检测方法,主要包括以下三个研究内容:1.针对深度神经网络随着网络层加深导致的计算资源消耗和语义分割中下采样过程图像语义细节信息易丢失的问题,本文提出基于级联空洞卷积和注意力机制的轻量CNN变化检测方法。此方法通过并行初始模块和Bottleneck结构的编码器-解码器网络减小计算代价,使得网络参数量与浮点计算量大幅度减少;通过提出的级联空洞卷积结构实现在增大感受野的同时保留图像细节语义信息,且相比普通卷积不会带来额外的计算代价,并将其置于编码器网络与注意力机制之中,使得提取到的图像特征更具有鲁棒性。此方法在四组真实SAR图像数据集上进行实验验证,均取得较好的结果。2.针对传统变化检测框架对SAR图像差异图质量敏感的问题,本文提出基于金字塔池化孪生网络的变化检测方法。此方法通过构建孪生神经网络架构,直接对双时相SAR图像获取变化信息,从而避免了差异图中大量噪声对变化检测结果的影响。通过在孪生特征提取网络中加入金字塔池化模块,来聚合不同尺度的上下文语义信息,从而提升了网络捕获全局信息的能力。孪生神经网络提取到的双时相特征图加和形成融合特征图,并以列向量的形式作为全连接层分类网络的输入,经过全连接层分类网络得到最终的变化检测结果。此方法在四组真实SAR图像数据集上进行实验验证,均取得较好的结果。3.针对SAR图像差异图中噪声难以抑制的问题,本文提出基于生成对抗网络差异图优化的变化检测方法。此方法借助生成对抗网络强大的风格迁移能力和训练数据集中标注好的参考图,构建了两种GAN差异图优化器,将差异图风格向参考图的风格转化,以实现差异图优化,优化后的差异图只需一个简单的无监督分类器就能得到较好的变化检测结果。此方法在四组真实SAR图像数据集上进行实验验证,均较好地去除了差异图噪声,保留了差异图中的变化区域信息,从而实现差异图优化的目标,取得了较好的检测结果。