合成孔径雷达(Synthetic Aperture Radar,SAR)图像是通过SAR传感器主动发射电磁波并接收回波进而生成的图像。由于SAR具有强穿透性、远距离性以及全天候和全天时等特点,它可以在不受光照强弱、云层覆盖和天气等影响的情况下获取到高分辨率的SAR图像。SAR图像变化检测是通过观察同一地点同一物体在不同时刻的SAR图像,进而找出发生变化的部分以及未发生变化的部分的技术。因为该技术可以应用在农业检测、城市规划、灾害评估以及森林预警等领域,所以SAR图像变化检测已经引起了越来越多研究人员的关注。但是,由于散射现象的影响,SAR图像处理技术中的难点便是相干斑噪声,它严重影响了图像的空间信息并且对后续的变化检测等任务带来了困难。近年来,深度神经网络在图像识别领域取得了突破性的进展,因此本文将深度神经网络与SAR图像变化检测问题结合,并且结合深度学习面临的模型复杂度高、参数冗余问题,将深度学习模型压缩应用在SAR图像变化检测中。本文的重点内容如下:1.针对SAR图像中的相干斑噪声以及变化检测中差异图生成算子对原始图像信息带来的负面影响,本文提出了一种基于深度胶囊网络的SAR图像变化检测方法。该方法直接以原始图像中的图像块作为网络的输入,先通过卷积层对原始图像中的特征进行提取,卷积层中不进行池化操作,保留了特征的拓扑信息;之后通过胶囊神经元对特征进行整合与路由,胶囊层中的特征不再是卷积神经网络中的单一的数字,而是代表该特征的一个向量,该向量中含有更加丰富的图像特征信息;胶囊神经元之间的耦合系数通过动态路由算法更新。该方法对SAR图像中的相干斑噪声具有良好的抑制作用,并且,由于胶囊网络具有更好的特征提取以及特征保存能力,所以相比于普通的基于有监督的SAR图像变化检测方法,该网络需要更少的训练样本便可以达到较好的效果。使用该模型在四组不同的标准数据集进行的实验均证明了该模型良好的检测性能。2.针对深度学习模型复杂度高、参数量大等问题,本文提出了基于权重剪枝的SAR图像变化检测模型压缩方法。该方法以提出的深度胶囊网络为基础,对其参数进行逐层分析,通过剪枝比率确定出该层的剪枝阈值,然后针对不同类型的层采取不同的剪枝策略,对网络中冗余的参数进行剪枝,保留较为重要的参数;随后对剪枝后的网络进行微调,从而提高剪枝后模型的检测性能。最后,通过对模型中保留下来的参数进行压缩存储,明显压缩了模型所占用的存储空间。通过在多组真实SAR图像上进行的实验,证明了本文提出的模型压缩方法对于SAR图像以及深度胶囊网络的可行性。